XML

لغة الترميز القابلة للتوسعة، التي يُشار إليها عادةً باسم XML، هي تنسيق مرن قائم على النصوص، صُمم لتخزين البيانات المنظمة ونقلها وتنظيمها. وعلى خلاف HTML، الذي يركز على كيفية عرض المعلومات في صفحة ويب، يختص XML بوصف ما تمثله البيانات من خلال بنية هرمية من الوسوم المخصصة. ويجعل هذا التنوع XML معيارًا أساسيًا لتبادل البيانات عبر أنظمة الحوسبة المتنوعة والإنترنت. وفي سياق التعلم الآلي (ML)، يؤدي XML دورًا بالغ الأهمية في إدارة مجموعات البيانات وملفات التكوين، مما يضمن بقاء المعلومات المعقدة قابلة للقراءة لكل من البشر والآلات، مع الالتزام بمعايير التحقق الصارمة التي تحددها رابطة شبكة الويب العالمية (W3C).

دور XML في الذكاء الاصطناعي#

في المجال سريع التطور الخاص بـالذكاء الاصطناعي (AI)، تعمل البيانات المنظمة وقودًا للخوارزميات المتقدمة. يوفر XML إطارًا متينًا لـشرح البيانات، مما يتيح للمهندسين تغليف الوسائط الخام—مثل الصور أو النصوص—ببيانات وصفية غنية وتفصيلية. ويُعد هذا النهج المنظم ضروريًا لـالتعلم الخاضع للإشراف، حيث تتطلب النماذج أمثلة موسومة بوضوح لتحديد الأنماط والسمات.

مع أن سير العمل الحديثة تستخدم غالبًا منصة Ultralytics لإجراء الشرح والتدريب السلسَين القائمَين على السحابة، يظل XML مدمجًا بعمق في الأنظمة القديمة ومجموعات البيانات الأكاديمية المحددة. وتضمن صيغته النحوية الصارمة سلامة البيانات، مما يجعله خيارًا مفضلًا لتكامل المؤسسات ومهام الرؤية الحاسوبية المعقدة التي يكون فيها التحقق أمرًا بالغ الأهمية.

التطبيقات العملية في الذكاء الاصطناعي/التعلم الآلي#

يؤدي XML دورًا محوريًا في العديد من التطبيقات العملية، ولا سيما عندما تكون توحيد البيانات وقابليتها للنقل والبيانات الوصفية التفصيلية متطلبات أساسية.

• مجموعات بيانات اكتشاف الكائنات (PASCAL VOC): من أكثر استخدامات XML استمرارًا في الرؤية الحاسوبية تنسيق فئات الكائنات المرئية في PASCAL (VOC). في هذا المعيار، تُقرن كل صورة في مجموعة البيانات بملف XML يحتوي على تفاصيل الشرح. وتحدد هذه الملفات إحداثيات المربع المحيط (xmin، ymin، xmax، ymax) وتسميات الفئات لكل كائن. ويمكن للنماذج المتقدمة مثل YOLO26 معالجة هذه الشروحات (غالبًا بعد تحويلها) لتعلم كيفية تحديد مواقع الكائنات، وهي عملية أساسية في اكتشاف الكائنات.
• التصوير الطبي والرعاية الصحية: في المجال المتخصص لـالذكاء الاصطناعي في الرعاية الصحية، تُعد قابلية التشغيل البيني أمرًا حيويًا. ويتكامل معيار التصوير الرقمي والاتصالات في الطب (DICOM)، المستخدم عالميًا في الفحوص الطبية، مع XML بصورة متكررة للتعامل مع البيانات الوصفية المعقدة للمرضى. ويتيح XML إعداد تقارير منظمة للنتائج التشخيصية ومعلمات الدراسات، مما يسهل إجراء تحليل الصور الطبية بدقة. ويضمن ذلك محافظة نماذج الذكاء الاصطناعي المدربة على هذه البيانات على الامتثال الصارم لمعايير البيانات الصحية مثل المستوى السابع للصحة (HL7).

XML مقابل JSON مقابل YAML#

على الرغم من قوة XML، فإنه غالبًا ما يُقارن بتنسيقات تسلسل البيانات الأخرى المستخدمة في سير عمل التعلم الآلي. ويساعد فهم الاختلافات على اختيار الأداة المناسبة للمهمة.

• XML مقابل JSON: يكون ترميز كائنات JavaScript (JSON) عمومًا أخف وزنًا وأسهل في التحليل لتطبيقات الويب. ومع أن JSON أصبح المعيار لاستجابات API والعديد من مجموعات البيانات الحديثة (مثل COCO)، لا يزال XML مفضلًا للبيانات المتمحورة حول المستندات والبيئات التي تتطلب التحقق من المخطط. وللاطلاع المتعمق على هياكل بيانات الويب، توفر موارد مثل شبكة مطوري Mozilla مقارنات ممتازة.
• XML مقابل YAML: يُعرف YAML بسهولة قراءته للبشر وبنيته النحوية المختصرة، إذ يعتمد على المسافات البادئة بدلًا من الوسوم. وهذا يجعل YAML الخيار المفضل لملفات تكوين YAML للنماذج في أطر العمل مثل Ultralytics YOLO، حيث تُعد سهولة التحرير أمرًا بالغ الأهمية. وعلى النقيض من ذلك، يكون XML أكثر إسهابًا، لكنه يوفر فرضًا أقوى للبنية.

تحليل XML لتدريب النماذج#

عند العمل مع مجموعات البيانات القديمة مثل تلك الموجودة في تنسيق PASCAL VOC، يحتاج المطورون غالبًا إلى تحليل ملفات XML لاستخراج إحداثيات المربعات المحيطة بغرض التدريب. وتجعل المكتبات المضمنة في Python هذه العملية مباشرة.

يوضح المثال التالي كيفية تحليل سلسلة شرح بسيطة بتنسيق XML لاستخراج أسماء فئات الكائنات وإحداثيات المربعات المحيطة باستخدام واجهة برمجة تطبيقات ElementTree في Python.

import xml.etree.ElementTree as ET

# Example XML string simulating a PASCAL VOC annotation
voc_xml_data = """


        person

            50
            30
            200
            400



"""

# Parse the XML structure
root = ET.fromstring(voc_xml_data)

# Extract and print object details
for obj in root.findall("object"):
    class_name = obj.find("name").text
    bbox = obj.find("bndbox")
    # Convert coordinates to integers
    coords = [int(bbox.find(tag).text) for tag in ["xmin", "ymin", "xmax", "ymax"]]
    print(f"Detected Class: {class_name}, Bounding Box: {coords}")

يُعد فهم كيفية معالجة هذه التنسيقات أمرًا ضروريًا لإعداد بيانات التدريب. وعلى الرغم من أن الأدوات المؤتمتة على منصة Ultralytics يمكنها تنفيذ عمليات التحويل هذه، تظل معرفة التحليل اليدوي قيّمة لأغراض تصحيح الأخطاء وخطوط أنابيب البيانات المخصصة. ولمزيد من القراءة حول هياكل البيانات، يقدم دليل IBM حول XML نظرة شاملة على استخدامه في المؤسسات.