Neural Style Transfer

نقل النمط العصبي (NST) هو أسلوب تحسين متطور في مجال رؤية الحاسوب يتيح للذكاء الاصطناعي مزج المحتوى المرئي لصورة مع النمط الفني لصورة أخرى. ومن خلال الاستفادة من الشبكات العصبية العميقة، وتحديدًا الشبكات العصبية الالتفافية (CNNs)، تُركّب هذه الخوارزمية صورة ناتجة جديدة تحتفظ بالتفاصيل البنيوية لصورة «المحتوى» (مثل مشهد لمدينة)، مع تطبيق الأنسجة والألوان وضربات الفرشاة الخاصة بمرجع «النمط» (مثل لوحة فنية شهيرة). وتعمل هذه العملية بفاعلية على سد الفجوة بين استخراج السمات الإحصائية منخفضة المستوى والإبداع الفني عالي المستوى، مما يتيح إنشاء مرئيات فريدة ذات نمط فني.

كيفية عمل نقل النمط العصبي#

تعتمد الآلية الكامنة وراء NST على قدرة الشبكة العميقة على فصل المحتوى عن النمط. فعندما تمر صورة عبر شبكة مدرَّبة مسبقًا—عادةً بنية VGG المدرَّبة على مجموعة بيانات ImageNet الضخمة—تستخرج الطبقات المختلفة أنواعًا مختلفة من المعلومات. تلتقط الطبقات المبكرة التفاصيل منخفضة المستوى مثل الحواف والأنسجة، بينما تمثّل الطبقات الأعمق المحتوى الدلالي والأشكال عالية المستوى.

تتضمن عملية NST، التي فُصّلت لأول مرة في بحث Gatys وآخرين، خوارزمية تحسين تعدّل صورة ضوضاء عشوائية تكراريًا لتقليل قيمتي خطأ متميزتين في الوقت نفسه:

• خسارة المحتوى: يحسب هذا المقياس الفرق في خرائط السمات عالية المستوى بين الصورة المُنشأة وصورة المحتوى الأصلية. ويضمن بقاء الكائنات وتخطيط المشهد قابلين للتعرّف.
• خسارة النمط: يقيس هذا المقياس الفرق في ارتباطات الأنسجة بين الصورة المُنشأة ومرجع النمط. ويستخدم عادةً مصفوفة Gram لالتقاط التوزيع الإحصائي للسمات، بما يمثّل «النمط» بفاعلية بصورة مستقلة عن الترتيب المكاني.

على خلاف تدريب النماذج التقليدي، حيث تُحدَّث أوزان الشبكة، يجمّد NST أوزان الشبكة ويحدّث قيم بكسلات صورة الإدخال نفسها حتى تُقلَّل دوال الخسارة إلى أدنى حد.

التطبيقات الواقعية#

مع أن NST ذاع استخدامه في البداية لإنشاء المرشحات الفنية، فإنه يتمتع بفائدة عملية تتجاوز الجماليات في مجال الذكاء الاصطناعي الأوسع.

• زيادة البيانات: يمكن للمطورين استخدام NST لإنشاء بيانات اصطناعية لتدريب نماذج متينة. فعلى سبيل المثال، يمكن أن يساعد تطبيق أنماط طقس مختلفة (المطر والضباب والليل) على لقطات القيادة النهارية في تدريب أنظمة المركبات الذاتية القيادة على التعامل مع ظروف بيئية متنوعة، من دون الحاجة إلى جمع ملايين الأمثلة الواقعية.
• الأدوات الإبداعية والتصميم: يدعم NST ميزات في برمجيات تحرير الصور الحديثة وتطبيقات الأجهزة المحمولة، مما يتيح للمستخدمين تطبيق المرشحات الفنية فورًا. وفي التصميم الاحترافي، يساعد في نقل الأنسجة لنمذجة الأجسام ثلاثية الأبعاد والبيئات الافتراضية.

العلاقة بالمفاهيم التوليدية الأخرى#

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

• NST مقابل الشبكات التوليدية الخصمية (GANs): يحسّن NST عادةً صورة واحدة استنادًا إلى زوج محدد من المدخلات (أحدهما للمحتوى والآخر للنمط)، وغالبًا ما يكون أبطأ لكل صورة. في المقابل، تتعلم GANs تحويلًا بين نطاقات كاملة (مثل تحويل جميع الخيول إلى حُمر وحشية)، ويمكنها توليد الصور بصورة شبه فورية بعد تدريبها.
• NST مقابل التعلّم بالنقل: رغم أن كليهما يستخدم شبكات مدرَّبة مسبقًا، فإن التعلّم بالنقل يتضمن ضبط أوزان النموذج لأداء مهمة جديدة (مثل استخدام مصنّف لاكتشاف السيارات). أما NST فيستخدم النموذج المدرَّب مسبقًا فقط بوصفه مستخرجًا للسمات لتوجيه تعديل قيم البكسلات.

تنفيذ استخراج السمات#

يتضمن جوهر NST تحميل نموذج مدرَّب مسبقًا للوصول إلى طبقاته الداخلية الخاصة بالسمات. وبينما تُحسَّن كاشفات الكائنات الحديثة مثل YOLO26 لتحقيق السرعة والدقة في الاكتشاف، تظل بنيات مثل VGG-19 المعيارَ لنقل النمط بسبب تسلسلها الهرمي المحدد للسمات.

يوضح مثال PyTorch التالي كيفية تحميل العمود الفقري لنموذج يُستخدم عادةً في مرحلة استخراج السمات من 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.")

بالنسبة إلى المستخدمين الذين يتطلعون إلى إدارة مجموعات البيانات المُعزَّزة بنقل النمط أو تدريب نماذج اكتشاف لاحقة، توفر منصة Ultralytics بيئة مركزية لإضافة التعليقات التوضيحية إلى مجموعات البيانات، وإدارة إصداراتها، ونشر النماذج.