Neural Style Transfer

نقل النمط العصبي (NST) هو تقنية تحسين متطورة في مجال رؤية الحاسوب تمكّن الذكاء الاصطناعي من مزج المحتوى البصري لصورة ما مع النمط الفني لصورة أخرى. من خلال الاستفادة من الشبكات العصبية العميقة، وتحديداً الشبكات العصبية التلافيفية (CNNs)، تقوم هذه الخوارزمية بتوليد صورة مخرجات جديدة تحتفظ بالتفاصيل الهيكلية لصورة "المحتوى" (مثل منظر مدينة) مع تطبيق الأنسجة والألوان وضربات الفرشاة الخاصة بمرجع "النمط" (مثل لوحة شهيرة). تسد هذه العملية الفجوة بشكل فعال بين استخراج الميزات الإحصائية منخفضة المستوى والإبداع الفني رفيع المستوى، مما يسمح بإنشاء صور فنية فريدة.

Link to this sectionكيف يعمل نقل النمط العصبي#

تعتمد الآلية الكامنة وراء NST على قدرة الشبكة العميقة على فصل المحتوى عن النمط. عندما تمر صورة عبر شبكة مدربة مسبقاً - عادةً معمارية VGG المدربة على مجموعة بيانات ImageNet الضخمة - تستخرج الطبقات المختلفة أنواعاً مختلفة من المعلومات. تلتقط الطبقات المبكرة تفاصيل منخفضة المستوى مثل الحواف والأنسجة، بينما تمثل الطبقات الأعمق المحتوى الدلالي والأشكال رفيعة المستوى.

تتضمن عملية NST، التي تم تفصيلها لأول مرة في بحث لـ Gatys وآخرين، خوارزمية تحسين تقوم بتعديل صورة ضوضاء عشوائية بشكل متكرر لتقليل قيمتي خطأ مختلفتين في وقت واحد:

• خسارة المحتوى: يحسب هذا المقياس الفرق في خرائط الميزات عالية المستوى بين الصورة التي تم إنشاؤها وصورة المحتوى الأصلية. وهو يضمن بقاء كائنات وتخطيط المشهد قابلاً للتمييز.
• خسارة النمط: يقيس هذا المقياس الفرق في ارتباطات الأنسجة بين الصورة التي تم إنشاؤها ومرجع النمط. ويستخدم عادةً مصفوفة جرام لالتقاط التوزيع الإحصائي للميزات، مما يمثل "النمط" بشكل فعال مستقلاً عن الترتيب المكاني.

على عكس تدريب النموذج القياسي، حيث يتم تحديث أوزان الشبكة، تقوم NST بتجميد أوزان الشبكة وتحديث قيم البكسل للصورة المدخلة نفسها حتى يتم تقليل دوال الخسارة.

Link to this sectionتطبيقات العالم الحقيقي#

على الرغم من أنها شاعت في البداية لإنشاء مرشحات فنية، إلا أن NST لها فائدة عملية تتجاوز الجماليات في مشهد الذكاء الاصطناعي الأوسع.

• تعزيز البيانات: يمكن للمطورين استخدام NST لإنشاء بيانات اصطناعية لتدريب نماذج قوية. على سبيل المثال، يمكن أن يساعد تطبيق أنماط طقس مختلفة (مطر، ضباب، ليل) على لقطات القيادة النهارية في تدريب أنظمة المركبات ذاتية القيادة على التعامل مع الظروف البيئية المتنوعة دون الحاجة إلى جمع ملايين الأمثلة من العالم الحقيقي.
• الأدوات الإبداعية والتصميم: تدعم NST الميزات في برامج تحرير الصور الحديثة وتطبيقات الهاتف المحمول، مما يسمح للمستخدمين بتطبيق مرشحات فنية على الفور. وفي التصميم الاحترافي، تساعد في نقل الأنسجة للنمذجة ثلاثية الأبعاد والبيئات الافتراضية.

Link to this sectionالعلاقة بمفاهيم توليدية أخرى#

من المهم التمييز بين نقل النمط العصبي وتقنيات توليد الصور الأخرى الموجودة في مسرد Ultralytics:

• NST مقابل شبكات الخصومة التوليدية (GANs): عادة ما تقوم NST بتحسين صورة واحدة بناءً على زوج محدد من المدخلات (محتوى واحد ونمط واحد) وغالباً ما تكون أبطأ لكل صورة. في المقابل، تتعلم GANs تعييناً بين مجالات كاملة (مثل تحويل جميع الخيول إلى حمر وحشية) ويمكنها توليد صور بشكل فوري تقريباً بمجرد تدريبها.
• NST مقابل التعلم بنقل المعرفة: بينما يستخدم كلاهما شبكات مدربة مسبقاً، يتضمن التعلم بنقل المعرفة ضبط أوزان النموذج لأداء مهمة جديدة (مثل استخدام مصنف لاكتشاف السيارات). تستخدم NST النموذج المدرب مسبقاً فقط كمستخرج ميزات لتوجيه تعديل قيم البكسل.

Link to this sectionتنفيذ استخراج الميزات#

يتضمن جوهر NST تحميل نموذج مدرب مسبقاً للوصول إلى طبقات الميزات الداخلية الخاصة به. بينما تم تحسين كاشفات الكائنات الحديثة مثل YOLO26 للسرعة والدقة في الاكتشاف، تظل معماريات مثل VGG-19 هي المعيار لنقل النمط نظراً لتسلسل الميزات المحدد الخاص بها.

يوضح مثال PyTorch التالي كيفية تحميل هيكل نموذج يُستخدم عادةً لمرحلة استخراج الميزات في NST:

import torchvision.models as models

# Load VGG19, a standard backbone for Neural Style Transfer
# We use the 'features' module to access the convolutional layers
vgg = models.vgg19(weights=models.VGG19_Weights.DEFAULT).features

# Freeze parameters: NST updates the image pixels, not the model weights
for param in vgg.parameters():
    param.requires_grad = False

print("VGG19 loaded. Ready to extract content and style features.")

للمستخدمين الذين يتطلعون إلى إدارة مجموعات البيانات المعززة بنقل النمط أو تدريب نماذج اكتشاف لاحقة، توفر منصة Ultralytics بيئة مركزية لتعليق مجموعة البيانات، وإصدار النسخ، ونشر النماذج.