Neural Style Transfer

يعد نقل الأسلوب العصبي (NST) تقنية تحسين متطورة في مجال الرؤية الحاسوبية تمكن الذكاء الاصطناعي من مزج المحتوى المرئي لصورة ما مع الأسلوب الفني لصورة أخرى. ومن خلال الاستفادة من الشبكات العصبية العميقة، وتحديداً الشبكات العصبية التلافيفية (CNNs)، تقوم هذه الخوارزمية بتوليف صورة إخراج جديدة تحتفظ بالتفاصيل الهيكلية لصورة "المحتوى" (مثل مشهد حضري) بينما تطبق نسيج وألوان وضربات فرشاة مرجع "الأسلوب" (مثل لوحة شهيرة). تسد هذه العملية الفجوة بفعالية بين استخراج الميزات الإحصائية منخفضة المستوى والإبداع الفني عالي المستوى، مما يسمح بتوليد مرئيات فريدة ومصممة بأسلوب فني.

كيف يعمل نقل النمط العصبي#

تعتمد الآلية الكامنة وراء NST على قدرة الشبكة العميقة على فصل المحتوى عن الأسلوب. فعندما تمرر صورة عبر شبكة مدربة مسبقاً - وغالباً ما تكون هندسة VGG المدربة على مجموعة بيانات ImageNet الضخمة - تستخلص الطبقات المختلفة أنواعاً متباينة من المعلومات. فالطبقات المبكرة تلتقط التفاصيل منخفضة المستوى مثل الحواف والأنسجة، بينما تمثل الطبقات الأعمق محتوى وأشكالاً دلالية عالية المستوى.

تتضمن عملية NST، التي فُصِّلت لأول مرة في بحث أجراه غاتيس وآخرون، خوارزمية تحسين تعدل بشكل تكراري صورة ضوضاء عشوائية لتقليل قيمتي خطأ مختلفتين في نفس الوقت:

• خسارة المحتوى: تحسب هذه المقاييس الفرق في خرائط الميزات عالية المستوى بين الصورة المولدة وصورة المحتوى الأصلية. وهي تضمن بقاء كائنات وتصميم المشهد قابلة للتمييز.
• خسارة الأسلوب: تقيس هذه المقاييس الاختلاف في ارتباطات النسيج بين الصورة المولدة ومرجع الأسلوب. وهي تستخدم عادةً مصفوفة غرام التقاط التوزيع الإحصائي للميزات، مما يمثل بفعالية "الأسلوب" بشكل مستقل عن الترتيب المكاني.

على عكس تدريب النماذج القياسي، حيث تُحدث أوزان الشبكة، يقوم NST بتجميد أوزان الشبكة وتحديث قيم البكسل لصورة الإدخال نفسها حتى تقليل وظائف الخسارة.

تطبيقات العالم الحقيقي#

على الرغم من شيوع استخدامه في البداية لإنشاء مرشحات فنية، إلا أن NST يمتلك فائدة عملية تتجاوز الجماليات في مشهد الذكاء الاصطناعي الأوسع.

• زيادة البيانات: يمكن للمطورين استخدام NST لتوليد بيانات اصطناعية لتدريب نماذج قوية. على سبيل المثال، يمكن أن يساعد تطبيق أساليب الطقس المختلفة (المطر، الضباب، الليل) على لقطات القيادة النهارية في تدريب أنظمة المركبات المستقلة 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.

العلاقة بمفاهيم توليدية أخرى#

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

• NST مقابل الشبكات التوليدية التنافسية (GANs): يقوم NST عادةً بتحسين صورة واحدة بناءً على زوج محدد من المدخلات (محتوى واحد، أسلوب واحد) وغالباً ما يكون أبطأ لكل صورة. في المقابل، تتعلم GANs تعيينًا بين مجالات بأكملها (مثل تحويل كل الخيول إلى حمر وحشية) ويمكنها توليد صور فورياً تقريبًا بمجرد التدريب.
• NST مقابل التعلم النقلي: بينما يستخدم كلاهما شبكات مدربة مسبقاً، يتضمن التعلم النقلي ضبط أوزان النموذج لأداء مهمة جديدة (مثل استخدام مصنف للكشف عن السيارات). يستخدم NST النموذج المدرب مسبقاً فقط كمستخرج للميزات لتوجيه تعديل قيم البكسل.

تنفيذ استخراج الميزات#

يتضمن جوهر NST تحميل نموذج مدرب مسبقاً للوصول إلى طبقات الميزات الداخلية الخاصة به. وفي حين أن كواشف الكائنات الحديثة مثل YOLO26 محسنة للسرعة والدقة في الكشف، تظل هياكل مثل VGG-19 المعيار لنقل الأسلوب بسبب التسلسل الهرمي للميزات الخاصة 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.")

بالنسبة للمستخدمين الذين يتطلعون إلى إدارة مجموعات البيانات المعززة بنقل الأسلوب أو تدريب نماذج الكشف اللاحقة، توفر منصة Ultralytics بيئة مركزية لتوضيح مجموعات البيانات، وإصدار النسخ، ونشر النماذج.