Large Vision Models (LVM)

تمثّل نماذج الرؤية الكبيرة (LVM) تطورًا مهمًا في الذكاء الاصطناعي، إذ تركز حصريًا على فهم البيانات المرئية وتوليدها ومعالجتها على نطاق واسع. وعلى خلاف أنظمة الرؤية الحاسوبية التقليدية التي تُدرّب على مجموعات بيانات ضيقة لمهام محددة سلفًا، تعمل نماذج LVMs بوصفها نماذج تأسيسية معممة تُدرّب على مجموعات ضخمة من الصور ومقاطع الفيديو. ويتيح لها هذا التدريب المسبق الواسع تطوير فهم عميق وشامل للهندسة المرئية والخامات والعلاقات المكانية المعقدة، من دون الاعتماد على تسميات أضافها البشر.

كيفية عمل نماذج الرؤية الكبيرة#

تستفيد نماذج الرؤية الكبيرة الحديثة عادةً من المحوّلات المرئية (ViT) أو معماريات الالتفاف الموسّعة بدرجة كبيرة لمعالجة المدخلات المرئية. ومن خلال توظيف تقنيات التعلم الذاتي الإشراف، مثل نمذجة الصور المقنّعة، تتعلم هذه النماذج بالتنبؤ بالأجزاء المفقودة من الصورة أو الإطار. وقد أظهرت مؤسسات أكاديمية مثل مركز ستانفورد لأبحاث النماذج التأسيسية أن التوسع السريع في عدد معلمات هذه النماذج يؤدي إلى ظهور قدرات تلقائية ناشئة. ويسمح لها ذلك بالتكيف مع المهام اللاحقة، مثل اكتشاف الكائنات عالي السرعة وتقسيم الصور بالتفصيل، مع ضبط دقيق محدود.

تطبيقات عملية#

تُحدث نماذج LVMs تحولًا في قطاعات متعددة من خلال إجراء تحليلات مرئية معقدة كانت تتطلب سابقًا خوارزميات متخصصة ومدرّبة حسب الطلب.

• التحليل الآلي للصور الطبية: في البيئات السريرية، تعالج معماريات الرؤية الكبيرة صور الأشعة السينية والرنين المغناطيسي والتصوير المقطعي المحوسب عالية الدقة لاكتشاف الشذوذ الدقيق، ما يساعد اختصاصيي الأشعة على كشف الأمراض مبكرًا ويقلل أخطاء التشخيص بدرجة كبيرة.
• اكتشاف العيوب في التصنيع: تستخدم خطوط الإنتاج في المصانع نماذج الرؤية المعممة لفحص المنتجات في الوقت الفعلي، وتحديد العيوب المعقدة التي لم تُرَ من قبل على خطوط التجميع بسهولة، وتحسين مراقبة الجودة من دون الحاجة إلى آلاف الأمثلة لكل عيب محدد.

التمييز بين المفاهيم ذات الصلة#

لفهم مشهد الذكاء الاصطناعي فهمًا كاملًا، من المفيد التمييز بين نماذج LVMs وغيرها من النماذج التأسيسية الشائعة:

• نماذج LVM مقابل نماذج الرؤية واللغة (VLM): تعالج نماذج LVM الوسائط المرئية فقط (البكسلات)، بينما تدمج نماذج VLM النصوص والصور معًا، ما يتيح للمستخدمين طرح أسئلة باللغة الطبيعية عن صورة أو تلقي أوصاف نصية لمقطع فيديو.
• نماذج LVM مقابل نماذج اللغة الكبيرة (LLM): تُدرّب نماذج LLM حصريًا على البيانات النصية لفهم اللغة البشرية وتوليدها. أما نماذج LVM فتطبّق نطاقًا مماثلًا من التوسع والفهم، لكن على البيانات المرئية حصرًا.

العمل مع نماذج الرؤية#

غالبًا ما تتطلب نماذج LVM الضخمة عناقيد خوادم تشغّل PyTorch أو TensorFlow، لكن نماذج الرؤية التأسيسية المحسّنة بدرجة عالية، مثل Ultralytics YOLO26، توفر ذكاءً مرئيًا قويًا ومتطورًا مباشرةً في بيئات الحوسبة الطرفية المحلية. يوضّح المثال التالي كيفية إجراء استدلال مرئي موثوق باستخدام نموذج مدرّب مسبقًا:

from ultralytics import YOLO

# ⁨تحميل نموذج Ultralytics YOLO26 متقدم ومدرّب مسبقًا⁩
model = YOLO("yolo26x.pt")

# ⁨إجراء الاستدلال على صورة لاستخراج السمات المرئية ومربعات الإحاطة⁩
results = model.predict("https://ultralytics.com/images/bus.jpg")

# ⁨عرض العلاقات المرئية المتنبأ بها⁩
results[0].show()

مستقبل الذكاء المرئي#

يتسارع الانتقال من الأبحاث الأكاديمية المنشورة على arXiv والمكتبة الرقمية IEEE Xplore إلى الاستخدام العملي في المؤسسات بوتيرة سريعة. وتعمل ابتكارات مجموعات بحثية مثل Google DeepMind على توسيع نطاق نماذج LVM لتشمل المجال الزمني، ما يمكّن النماذج من فهم تسلسلات الفيديو المعقدة، على نحو يشبه الأجيال التي تظهر في Sora من OpenAI.

للمطورين والمؤسسات الراغبين في إنشاء حلول ذكاء اصطناعي مرئية مخصصة، توفر منصة Ultralytics أدوات متكاملة لوضع تعليقات توضيحية على مجموعات البيانات ضمن الفرق، والتدريب السحابي، ونشر النماذج بسلاسة، ما يجعل إمكانات الرؤية المتقدمة متاحة للجميع. وإضافةً إلى ذلك، تُظهر أدوات التقسيم من دون أمثلة، مثل Segment Anything 2 (SAM 2) من Meta، كيف توحّد أساليب الرؤية التأسيسية واسعة النطاق — التي تتناولها كثيرًا المكتبة الرقمية ACM — فهمًا معقدًا على مستوى البكسل في قطاع الذكاء الاصطناعي بأكمله.