التعلم الآلي في معالجة الصور: دليل 2026

ملخص سريع: يُمكّن التعلّم الآلي في معالجة الصور أجهزة الكمبيوتر من تحليل البيانات المرئية وتفسيرها واستخلاص معلومات قيّمة منها تلقائيًا. ومن خلال تدريب الخوارزميات على مجموعات بيانات صور ضخمة، تستطيع الأنظمة أداء مهام مثل اكتشاف الأجسام والتعرّف على الوجوه والتشخيص الطبي بدقة تفوق في كثير من الأحيان القدرات البشرية. وتشمل التقنيات الرئيسية الشبكات العصبية الالتفافية (CNNs) وهياكل التعلّم العميق ونماذج متخصصة تُحوّل بيانات البكسل الخام إلى رؤى قابلة للتنفيذ في مجالات الرعاية الصحية والمركبات ذاتية القيادة والأمن وغيرها الكثير.

لقد أحدث التقاء التعلم الآلي ومعالجة الصور تغييراً جذرياً في كيفية فهم الحواسيب للمعلومات المرئية. فما كان يتطلب في السابق برمجة صريحة لكل حافة وزاوية ونمط، أصبح يتم الآن من خلال خوارزميات تتعلم من الأمثلة.

وماذا عن مسار النمو؟ وفقًا لتحليل الصناعة، من المتوقع أن يرتفع السوق العالمي لمعالجة الصور وتحليلها بمعدل نمو سنوي مركب يبلغ حوالي 15% حتى عام 2033، ومن المحتمل أن ينمو من حوالي $15 مليار في عام 2025 إلى $50 مليار بحلول عام 2033.

لكن بعيدًا عن الأرقام، فقد أتاح التعلم الآلي إمكانيات لم يكن بإمكان معالجة الصور التقليدية تحقيقها. فالأنظمة الآن قادرة على اكتشاف الأورام في الفحوصات الطبية، وتوجيه المركبات ذاتية القيادة عبر بيئات معقدة، والتعرف على الوجوه في الأماكن المزدحمة، كل ذلك من خلال تعلم الأنماط من البيانات بدلاً من اتباع قواعد جامدة.

فهم التعلم الآلي في معالجة الصور

في جوهرها، تعني تقنيات التعلم الآلي في معالجة الصور استخدام خوارزميات تتعلم من بيانات البكسل ذاتيًا. فبدلاً من برمجتها بشكل صريح لكل مهمة على حدة، تحدد هذه الأنظمة الأنماط والخصائص والعلاقات داخل الصور من خلال التدريب على مجموعات بيانات ضخمة.

اعتمدت معالجة الصور التقليدية على قواعد يدوية وعمليات حسابية. هل تحتاج إلى اكتشاف الحواف؟ استخدم مرشح سوبل. هل تريد إيجاد الدوائر؟ استخدم تحويل هوف. كانت هذه التقنيات فعالة، لكنها تطلبت خبرة بشرية لتحديد كل خطوة.

التحول في نموذج التعلم

لقد قلب التعلم الآلي هذا النهج رأساً على عقب. قم بتغذية شبكة عصبية بآلاف الصور للقطط، وستتعلم ما الذي يجعل القطة قطة - الشوارب، والآذان المدببة، وأنماط الفراء - دون أن يقوم أي شخص ببرمجة هذه الميزات بشكل صريح.

تكتشف الخوارزميات هذه الأنماط من خلال التدريب التكراري. اعرض على النموذج صورة، ودعه يتنبأ بها، ثم قِس مدى خطأ هذا التنبؤ، ثم عدّل المعايير الداخلية لتحسين الأداء في المرة القادمة. كرر ذلك ملايين المرات.

أتاح هذا التحول الجذري تحقيق إنجازاتٍ كبيرة في مهامٍ كان من المستحيل فيها وضع قواعد صريحة. كيف تكتب برنامجًا للتعرف على الابتسامة؟ أو الإيماءة التهديدية؟ أو الفروق الدقيقة في ملمس الأنسجة الحميدة والخبيثة؟ يتغلب التعلم الآلي على هذه التحديات من خلال التعلم من الأمثلة.

من البكسلات إلى التوقعات

بالنسبة للحاسوب، تُعتبر الصور مجرد مصفوفات من الأرقام - قيم البكسل التي تمثل شدة اللون. تحتوي صورة ملونة بدقة 1280×1280 على أكثر من 4.9 مليون رقم فردي.

تقوم نماذج التعلم الآلي بمعالجة هذه المصفوفات الرقمية الضخمة من خلال طبقات من التحويلات الرياضية. قد تكتشف الطبقات الأولى الحواف والتركيبات البسيطة. وتجمع الطبقات الوسطى هذه العناصر في أجزاء - عجلات، نوافذ، أبواب. أما الطبقات النهائية فتجمع هذه الأجزاء في مفاهيم عالية المستوى مثل "سيارة" أو "شاحنة".“

يكمن سرّ هذه العملية في كيفية تعلّم هذه الطبقات لتحويلاتها. تحتوي كل طبقة على معايير - أوزان وانحيازات - تحدد كيفية تحويل بيانات الإدخال. ويُعدّل التدريب هذه المعايير بناءً على التغذية الراجعة من الأخطاء.

الشبكات العصبية الالتفافية: التكنولوجيا الأساسية

أحدثت الشبكات العصبية الالتفافية ثورة في معالجة الصور من خلال تقديم بنية مصممة خصيصًا للبيانات المرئية. كانت الشبكات العصبية التقليدية تتعامل مع الصور كقوائم مسطحة من البكسلات، مما أدى إلى فقدان العلاقات المكانية. أما الشبكات العصبية الالتفافية، فتحافظ على هذه الأنماط المكانية وتستغلها.

تُطبّق الطبقة الالتفافية - وهي المكوّن الرئيسي - مرشحات صغيرة على الصورة. تنزلق هذه المرشحات فوق المدخلات، وتكشف أنماطًا محددة أينما ظهرت. يُفعّل مرشح الحواف الرأسية بقوة عند مصادفته انتقالات رأسية في السطوع. ويستجيب كاشف الزوايا للأنماط على شكل حرف L.

كيف تتعلم الشبكات العصبية التلافيفية التسلسلات الهرمية البصرية

ما يجعل الشبكات العصبية التلافيفية قوية هو بنيتها الهرمية. تتعلم الطبقات الأولى خصائص بسيطة مثل الحواف والألوان. وتغذي هذه الخصائص الطبقات الوسطى التي تجمع الخصائص البسيطة لتكوين خصائص أكثر تعقيدًا - مثل الأنسجة والأشكال البسيطة والأنماط المتكررة.

تُجمّع الطبقات العميقة هذه التمثيلات الوسيطة في مفاهيم عالية المستوى. قد يجمع كاشف الوجه بين كاشفات العين، وكاشفات الأنف، وكاشفات الفم من الطبقات السابقة. وتعتمد كل طبقة على المفاهيم المجردة التي تعلمتها الطبقات السابقة.

تُعزز البنى الحديثة هذه القدرات بشكل أكبر. ووفقًا لبحث نُشر على موقع arXiv، حققت شبكة KAConvNet أداءً تنافسيًا في تصنيف ImageNet-1K مع استخدام فعال للمعلمات، مما يمثل زيادة في الدقة بمقدار 1.5% مقارنةً بالبنى المماثلة مع الحفاظ على الكفاءة الحسابية.

بنى الشبكات العصبية التلافيفية الحديثة

لقد تطور هذا المجال بشكل كبير متجاوزًا تصميمات الشبكات العصبية التلافيفية الأصلية. فقد قدمت شبكة ResNet وصلات تخطي تسمح بتدفق التدرجات عبر الشبكات العميقة جدًا. أما شبكة DenseNet فقد ربطت كل طبقة بكل طبقة لاحقة، مما شجع على إعادة استخدام الميزات.

تحدّت تقنية Vision Transformers هيمنة الشبكات العصبية التلافيفية (CNN) من خلال تطبيق بنى Transformer - التي طُوّرت في الأصل للغة - على الصور. ووفقًا لبحث نُشر على موقع arXiv حول Vision-TTT، حقق Vision-TTT-B دقة 82.5% Top-1 في تصنيف ImageNet مع الحفاظ على تعقيد خطي. عند دقة 1280×1280، وفّر Vision-TTT-T ما مقداره 79.4% من عمليات الفاصلة العائمة (FLOPs) وكان أسرع بمقدار 4.38 مرة مع استهلاك ذاكرة أقل بمقدار 88.9% مقارنةً بـ DeiT-T.

لكن الشبكات العصبية الالتفافية لم تختفِ. تجمع البنى الهجينة بين طبقات الالتفاف لاستخلاص الميزات المحلية وطبقات المحولات للسياق الشامل. وهذا يمنح أفضل ما في كلا النوعين؛ فالشبكات العصبية الالتفافية تتفوق في إيجاد الأنماط المحلية، بينما تلتقط المحولات التبعيات بعيدة المدى.

تقنيات التعلم الآلي الأساسية لمعالجة الصور

تتطلب المهام المختلفة أساليب تعلم آلي مختلفة. يُصنّف تصنيف الصور الصورة بأكملها، مثلاً: "هذه قطة". بينما يكشف اكتشاف الأجسام عن عدة أجسام ويحدد مواقعها، مثلاً: "هناك قطة عند الإحداثيات (120، 340) وكلب عند الإحداثيات (450، 200)". أما تجزئة الصور فتصنف كل بكسل على حدة، مثلاً: "البكسلات من 1 إلى 5000 هي قطة، والبكسلات من 5001 إلى 8000 هي خلفية".”

تصنيف الصور والتعرف عليها

كان التصنيف التطبيق الرائد الذي أثبت قوة التعلم العميق. ففي مسابقة ImageNet عام 2012، تفوقت شبكة AlexNet - وهي شبكة عصبية تلافيفية عميقة - على أساليب رؤية الحاسوب التقليدية بفارق كبير. ومنذ ذلك الحين، شهدت دقة النتائج تحسناً مطرداً.

تقترب أنظمة التصنيف في العالم الحقيقي الآن من الأداء البشري أو تتجاوزه في مهام محددة. وقد أفادت دراسة أجريت على التعرف على الزهور باستخدام الشبكات العصبية التلافيفية (CNNs) أن شبكة DenseNet-121 مع تحسين SGD حققت دقة بلغت 95.84%، ودقة مكانية بلغت 96.00%، واستدعاءً بلغ 96.00%، ودرجة F1 بلغت 96.00% على مجموعة بيانات الاختبار.

تتعلم نماذج التصنيف من خلال التدريب على أمثلة مصنفة. اعرض على الشبكة آلاف الصور لأزهار مع تصنيفات أنواعها، وستتعلم السمات المميزة. أثناء الاستدلال، تعالج صورًا جديدة وتتنبأ بالأنواع الأكثر احتمالًا بناءً على الأنماط المتعلمة.

اكتشاف وتحديد موقع الأجسام

يُوسّع الكشف نطاق التصنيف من خلال تحديد مكان ظهور الأشياء في الصور. وهذا يتطلب كلاً من التعرف ("ما هذا؟") وتحديد الموقع ("أين هو؟").

تقوم كاشفات ثنائية المراحل مثل Faster R-CNN أولاً باقتراح المناطق التي قد تحتوي على كائنات، ثم تصنف تلك المناطق. أما كاشفات أحادية المرحلة مثل YOLO وRetinaNet فتتنبأ بالمربعات المحيطة والفئات في تمريرة واحدة، مما يضحي ببعض الدقة مقابل استدلال أسرع بكثير.

أظهرت الأبحاث التي أجريت على نظام كشف النفايات باستخدام نموذج YOLOv9s المحسّن (LD-YOLOv9s) أن النظام حقق تحسناً ملحوظاً في كشف الأجسام الصغيرة في مختلف الظروف البيئية. وقد ساهمت هذه التحسينات بشكل خاص في كشف أجسام صغيرة مثل أغطية الزجاجات التي غالباً ما كانت النماذج السابقة تغفلها.

تقنيات تجزئة الصور

يُتيح التجزئة فهمًا على مستوى البكسل. يُصنّف التجزئة الدلالية كل بكسل بفئة معينة ("سماء"، "طريق"، "سيارة")، لكنه لا يُميّز بين الكائنات الفردية. أما تجزئة النسخ فتتجاوز ذلك، إذ تُحدّد نسخًا منفصلة ("سيارة #1"، "سيارة #2").

يعتمد التصوير الطبي بشكل كبير على تجزئة الصور. يحتاج الأطباء إلى معرفة ليس فقط بوجود الورم، بل بحدوده الدقيقة لتخطيط العلاج. ووفقًا لبحث أجراه معهد ماساتشوستس للتكنولوجيا (MIT) حول أداة MultiverSeg، يقوم نظام الذكاء الاصطناعي التفاعلي بتصنيف الصور الطبية بسرعة، حيث يحتاج المستخدمون إلى نقرتين فقط بحلول الصورة التاسعة لتحقيق دقة تجزئة تتجاوز النماذج المخصصة لهذا الغرض، مما يقلل من عبء التصنيف مقارنةً بالأنظمة السابقة.

تتحسن كفاءة الأداة كلما زاد عدد الصور التي يضيف المستخدمون إليها تعليقات توضيحية من مجموعة البيانات. وبحلول الصورة التاسعة، لم تكن الأداة تحتاج إلا لنقرتين فقط من المستخدم لإنشاء تجزئة أكثر دقة من النماذج المصممة خصيصًا لهذه المهمة.

حسّن سير عمل معالجة الصور باستخدام الذكاء الاصطناعي المتفوق

غالباً ما تتضمن مشاريع معالجة الصور مجموعات بيانات كبيرة، وأنماط بصرية معقدة، ومتطلبات أداء تتجاوز الأتمتة الأساسية. متفوقة الذكاء الاصطناعي يساعد الفرق على تطبيق التعلم الآلي على مهام معالجة الصور حيث تكون هناك حاجة إلى نماذج التحليل أو التصنيف أو التحسين أو الكشف.

بإمكان شركة AI Superior دعم مشاريع معالجة الصور من خلال:

• مراجعة مجموعات بيانات الصور ومتطلبات المعالجة
• تحديد حالة استخدام التعلم الآلي والنطاق التقني
• بناء نماذج إثبات المفهوم
• تطوير أنظمة تصنيف أو كشف الصور
• اختبار دقة النموذج وموثوقية المعالجة
• تخطيط التكامل مع البرامج أو سير العمل الحالية
• دعم النشر والتحسين المستمر للنموذج

بالنسبة لمعالجة الصور، قد ينطبق هذا على تحسين الصور، واكتشاف الكائنات، والتجزئة، والتعرف الضوئي على الأحرف، والتفتيش الصناعي، وتحليل التصوير الطبي، وأنظمة التحليل البصري الآلي.

تحدث مع الذكاء الاصطناعي المتفوق حول متطلبات المشروع.

الأدوات والأطر الأساسية

يتطلب بناء أنظمة التعلم الآلي لمعالجة الصور الأدوات المناسبة. وقد نضج هذا النظام البيئي بشكل ملحوظ، حيث توجد أطر عمل تتولى كل شيء بدءًا من معالجة البيانات الأولية وحتى نشر النموذج.

أطر التعلم العميق

يهيمن كل من TensorFlow وPyTorch على مجال التعلم العميق. يوفر TensorFlow، الذي طورته جوجل، أدوات نشر قوية للإنتاج وبيئة متكاملة. أما PyTorch، من شركة Meta، فيوفر بنيةً أكثر سهولةً تشبه لغة بايثون، وقد أصبح الخيار المفضل في مجال البحث.

وفقًا لبحث arXiv، تم تنفيذ تجارب KAConvNet في PyTorch وتدريبها على ثمانية وحدات معالجة رسومية NVIDIA A100 بذاكرة 80 جيجابايت لكل منها، باستخدام حجم دفعة 64. وقد أصبح هذا التكوين معيارًا نسبيًا لأبحاث تصنيف الصور واسعة النطاق.

يوفر كلا الإطارين واجهات برمجة تطبيقات عالية المستوى تُخفي العديد من تفاصيل التنفيذ. يُمكّن Keras -المدمج الآن في TensorFlow- المطورين من بناء النماذج ببضعة أسطر من التعليمات البرمجية فقط. وبالمثل، يُبسّط PyTorch Lightning حلقات التدريب وإدارة التجارب.

مكتبات معالجة الصور

لا تزال مكتبة OpenCV الأداة الأساسية لعمليات رؤية الحاسوب التقليدية. فهي توفر تطبيقات مُحسّنة للتصفية، والتحويلات، واكتشاف الميزات، والعديد من العمليات الأخرى. وتستخدم معظم مسارات التعلم الآلي مكتبة OpenCV للمعالجة المسبقة - تغيير حجم الصور، وتعديل الألوان، وتوسيع بيانات التدريب.

تتولى مكتبة Pillow (PIL) عمليات الإدخال والإخراج الأساسية للصور وتحويلاتها في لغة بايثون. بينما توفر مكتبة Scikit-image مجموعة أوسع من الخوارزميات المكتوبة بلغة بايثون خالصة، مما يسهل فهمها وتعديلها.

في مجال التعلم الآلي تحديداً، تتخصص مكتبات مثل Albumentations في زيادة البيانات، حيث تقوم تلقائياً بإنشاء نسخ مختلفة من صور التدريب من خلال التدوير والقص وتعديل الألوان وغيرها من التحويلات. وهذا بدوره يوسع مجموعات البيانات بشكل مصطنع ويحسن قدرة النموذج على التعميم.

أطر عمل متخصصة

تتوفر في مجال التصوير الطبي أدوات متخصصة مثل SimpleITK وNiBabel التي تتعامل مع تنسيقات مثل DICOM وNIfTI. تتطلب هذه المجالات معالجة مسبقة محددة، وغالبًا ما تعمل مع مجسمات ثلاثية الأبعاد بدلاً من الصور ثنائية الأبعاد.

يوفر برنامج Detectron2، من شركة Meta AI Research، أحدث نماذج الكشف عن الأجسام وتقسيمها الجاهزة للاستخدام. بينما يقدم برنامج MMDetection إمكانيات مماثلة مع المزيد من تطبيقات النماذج.

في بيئة الإنتاج، تتولى منصتا TensorFlow Serving وTorchServe استضافة النماذج، وإدارة الإصدارات، وتوسيع نطاقها. أما ONNX فتُوفر إمكانية التشغيل البيني، مما يسمح بتشغيل النماذج المُدرَّبة في إطار عمل واحد ضمن محرك استدلال آخر.

تطبيقات عملية في مختلف الصناعات

لقد تجاوز التعلم الآلي في معالجة الصور مرحلة العروض التوضيحية الأكاديمية بكثير. فالأنظمة المستخدمة في الإنتاج تتعامل مع ملايين الصور يومياً، وتحل مشاكل حقيقية ذات تأثير ملموس.

الرعاية الصحية والتصوير الطبي

يُعدّ التصوير الطبي أحد أكثر مجالات التطبيق تأثيراً. ويساعد التعلّم الآلي أخصائيي الأشعة في الكشف عن الأمراض، وقياس التراكيب التشريحية، وتتبّع تطوّر المرض بمرور الوقت.

بحسب أبحاث معهد مهندسي الكهرباء والإلكترونيات (IEEE)، أصبح الكشف عن أمراض الدماغ باستخدام معالجة الصور والتعلم الآلي محورًا رئيسيًا للبحث العلمي. وبالمثل، يمكن لأنظمة الكشف عن سرطان الجلد باستخدام التعلم الآلي تحليل الصور الجلدية لتحديد الأورام الميلانينية المحتملة وغيرها من الحالات.

لا تحل هذه التقنية محل الأطباء، بل تعزز قدراتهم. قد يُشير نظام الذكاء الاصطناعي إلى مناطق مشبوهة في صورة الماموجرام لفحصها بدقة، أو يقيس أحجام الأورام عبر سلسلة من عمليات المسح لتقييم استجابة العلاج. ووفقًا لبحث نُشر على موقع arXiv يقارن بين مُحولات الرؤية والشبكات العصبية التلافيفية لتصنيف الصور الطبية، فإن كلا البنيتين واعدتان للتطبيقات السريرية، ويعتمد الاختيار على خصائص مجموعة البيانات والقيود الحسابية.

المركبات ذاتية القيادة والروبوتات

تعتمد السيارات ذاتية القيادة كلياً على التعلم الآلي للإدراك البصري. تلتقط كاميرات متعددة محيط السيارة، وتقوم الشبكات العصبية بمعالجة هذه الصور لاكتشاف المشاة والمركبات الأخرى وعلامات المسارات وإشارات المرور وعناصر أخرى لا حصر لها.

يتطلب هذا معالجة فورية، حيث يجب اتخاذ القرارات في أجزاء من الثانية. ولذلك، تُعدّ الكفاءة بالغة الأهمية. تحتاج النماذج إلى دقة عالية دون الحاجة إلى موارد حاسوبية ضخمة. إنّ تحسين السرعة بمقدار 4.38 ضعفًا وتوفير 79.41 تيرابايت من عمليات الفاصلة العائمة (TP3T FLOPs) الذي أظهرته بنى Vision-TTT بدقة عالية، يُترجم مباشرةً إلى نشر أكثر جدوى في المركبات ذات القدرة الحاسوبية المحدودة.

يواجه مجال الروبوتات تحديات مماثلة. تتنقل روبوتات المستودعات وتحدد الأشياء المراد التقاطها. وتكتشف الروبوتات الزراعية النباتات وتصنفها لمعالجتها بشكل دقيق. وتفحص الروبوتات الصناعية الأجزاء المصنعة بحثًا عن العيوب. تتطلب جميع هذه التطبيقات فهمًا بصريًا سريعًا ودقيقًا.

الأمن والمراقبة

تقوم أنظمة التعرف على الوجوه في المطارات والمعابر الحدودية بمعالجة ملايين الوجوه. وتُطابق هذه الأنظمة المسافرين مع قوائم المراقبة في الوقت الفعلي، وتُشير إلى المخاوف الأمنية المحتملة ليتم مراجعتها من قبل المختصين.

تكشف أنظمة تحليل السلوك عن الأنشطة غير المعتادة في لقطات المراقبة، مثل وجود شخص يتسكع في منطقة محظورة، أو ترك الطرود دون رقابة. وهذا يقلل من العبء على المشغلين البشريين الذين يراقبون عشرات لقطات الكاميرات في وقت واحد.

تُصاحب هذه التطبيقات مخاوفٌ مُبرَّرة تتعلق بالخصوصية. فالتقنية بحد ذاتها محايدة، ويتوقف تأثيرها على سياق استخدامها واللوائح والضمانات. وتُنظِّم العديد من السلطات القضائية استخدام تقنية التعرّف على الوجه، مُلزمةً إياها بالشفافية ومُقيِّدةً تطبيقاتها.

الرصد البيئي والزراعة

تُمكّن صور الأقمار الصناعية والطائرات المسيّرة، بالإضافة إلى تقنيات التعلّم الآلي، من رصد البيئة على نطاق واسع. وتتتبع هذه الأنظمة إزالة الغابات، وتراقب صحة المحاصيل، وتكشف الصيد أو التعدين غير القانوني، وتقيّم أضرار الكوارث.

بحسب بحثٍ أجرته جامعة فلوريدا، يُمكن لتقنية رؤية الحاسوب تحليل الصور لتطبيقات زراعية، مثل الكشف عن الفطر، باستخدام تقنيات مطابقة الدوائر مع عتبة مُطابقة 95%. ورغم بساطة هذه الأساليب، إلا أنها تُبيّن كيف يُساهم الذكاء الاصطناعي في أتمتة مهام التحليل البيئي.

تستخدم الزراعة الدقيقة الصور الجوية لتحديد النباتات المجهدة التي تحتاج إلى الماء أو العلاج. يقلل هذا النهج الموجه من استخدام المواد الكيميائية مع الحفاظ على المحاصيل، مما يُعدّ أفضل للبيئة وأقل تكلفة للمزارعين.

بناء نظام تصنيف الصور باستخدام التعلم الآلي

يتضمن إنشاء نظام لتصنيف الصور عدة مراحل متميزة، لكل منها اعتباراتها وتحدياتها الخاصة. يساعد فهم هذه العملية على تبسيط كيفية عمل هذه الأنظمة عمليًا.

جمع البيانات وإعدادها

كل شيء يبدأ بالبيانات. تتعلم نماذج التعلم الآلي من الأمثلة، لذا فإن جودة وكمية بيانات التدريب تحدد الأداء بشكل مباشر. وبشكل عام، تؤدي البيانات الأكثر تنوعًا وجودة إلى نماذج أفضل.

تتنوع استراتيجيات جمع البيانات. توفر مجموعات البيانات العامة مثل ImageNet وCOCO وCIFAR نقاط انطلاق لفئات الكائنات الشائعة. تتطلب التطبيقات الخاصة بمجالات محددة مجموعات بيانات مخصصة؛ فالمستشفيات تجمع الصور الطبية، والمصنعون يجمعون أمثلة على العيوب، وتجار التجزئة يصورون المنتجات.

بحسب بحث أجرته جامعة فلوريدا/معهد علوم الأغذية والزراعة (UF/IFAS) حول تحليل الصور باستخدام الذكاء الاصطناعي، تتضمن العملية جمع الصور، وفحص وحدات البكسل، وتحديد الحواف، والتعرف على الأشكال والأنماط. ويُعدّ التوصيف الدقيق أمراً بالغ الأهمية، إذ يجب على شخص ما تصنيف محتوى كل صورة، أو تحديد حدود الكائنات لأغراض الكشف والتجزئة.

المعالجة المسبقة والتوسيع

نادراً ما تُستخدم الصور الخام مباشرةً مع النماذج. تعمل المعالجة المسبقة على توحيد المدخلات - تغيير حجمها إلى أبعاد متناسقة، وتطبيع قيم البكسل، وتحويل مساحات الألوان. تضمن هذه الخطوات حصول النموذج على البيانات بالتنسيق الذي يتوقعه.

تعمل تقنية زيادة البيانات على توسيع مجموعات التدريب بشكل مصطنع من خلال إنشاء نسخ مختلفة من الصور الموجودة. عند قلب الصورة أفقيًا، يتعلم النموذج أن الأشياء تبدو متشابهة من كلا الجانبين. وعند تدويرها قليلًا، يتعلم النموذج ثبات اتجاهها. وعند ضبط السطوع، يتعامل النموذج مع ظروف الإضاءة المختلفة.

تُظهر الأبحاث أن تحسين البيانات يُحسّن بشكل ملحوظ قدرة النموذج على التعميم، أي قدرته على التعامل مع صور جديدة تختلف عن أمثلة التدريب. تشمل عمليات تحسين البيانات الشائعة التدوير، والقص، والقلب، وتغيير الألوان، وإضافة التشويش، والتشويه المرن.

اختيار النموذج والتدريب

يعتمد اختيار بنية النظام على المهمة وحجم مجموعة البيانات والقيود الحسابية. قد تعمل مجموعات البيانات الصغيرة مع نماذج أبسط أو التعلم بالنقل - بدءًا بنموذج مُدرَّب مسبقًا على مجموعة بيانات كبيرة مثل ImageNet، ثم ضبطه بدقة وفقًا للمهمة المحددة.

يتضمن التدريب إدخال الصور إلى النموذج، وحساب أخطاء التنبؤ، وتعديل الأوزان لتقليل هذه الأخطاء. ويحدث هذا على مدار عدة دورات تدريبية، أي مرور كامل على بيانات التدريب. ووفقًا لبحث منشور على موقع arXiv، تُدرَّب النماذج عادةً بأحجام دفعات مثل 64، ما يسمح بمعالجة صور متعددة في وقت واحد لتحقيق الكفاءة.

تؤثر المعلمات الفائقة - معدل التعلم، وحجم الدفعة، واختيار المُحسِّن، وقوة التنظيم - بشكل كبير على النتائج. وقد أظهرت الأبحاث في مجال التعرف على الزهور أن شبكة DenseNet-121 مع تحسين التدرج العشوائي (SGD) حققت دقة 95.84%، ودقة 96.00%، واستدعاء 96.00%، ودرجة F1 96.00%.

التقييم والنشر

تحتاج النماذج المدربة إلى تقييم دقيق على بيانات اختبار محجوزة - وهي صور لم يرها النموذج أثناء التدريب. تشمل المقاييس الشائعة الدقة (النسبة المئوية للإجابات الصحيحة)، والضبط (عدد التنبؤات الإيجابية الصحيحة)، والاستدعاء (عدد النتائج الإيجابية الفعلية)، ومقياس F1 (المتوسط التوافقي للضبط والاستدعاء).

يُثير النشر تحديات جديدة. يجب تشغيل النماذج المدربة على وحدات معالجة رسومية قوية على أجهزة ذات موارد محدودة - كالهواتف المحمولة، وأجهزة الحوسبة الطرفية، والأنظمة المدمجة. وهذا يتطلب غالبًا تحسينًا - حيث يقلل التكميم من الدقة، ويزيل التقليم الأوزان غير الضرورية، وينقل تقطير المعرفة المعرفة من النماذج الكبيرة إلى النماذج الأصغر.

تحتاج أنظمة الإنتاج إلى مراقبة مستمرة. قد يتراجع أداء النموذج بمرور الوقت نتيجة انحراف بيانات العالم الحقيقي عن توزيعات بيانات التدريب. يساعد التعلم النشط في ذلك، حيث يُشير النظام إلى التنبؤات غير المؤكدة لمراجعتها من قِبل المختصين، وتُضاف هذه الأمثلة إلى بيانات التدريب لتحديث النموذج.

التحديات والقيود

على الرغم من التقدم الملحوظ، يواجه التعلم الآلي في معالجة الصور تحديات كبيرة. ويساعد فهم هذه القيود على وضع توقعات واقعية وتوجيه مسارات البحث.

متطلبات البيانات وجودتها

تشتهر نماذج التعلم العميق باستهلاكها الكبير للبيانات. فغالباً ما يتطلب تحقيق دقة عالية آلافاً أو ملايين الأمثلة المصنفة. ويُعد جمع هذه البيانات وتصنيفها عملية مكلفة وتستغرق وقتاً طويلاً.

بحسب بحث أجراه معهد ماساتشوستس للتكنولوجيا، قللت أداة MultiverSeg من عبء إضافة التعليقات التوضيحية وحققت دقة تصل إلى 90% باستخدام ثلثي عدد الكتابة اليدوية وثلاثة أرباع عدد النقرات. مع ذلك، لا تزال إضافة التعليقات التوضيحية تتطلب وقتًا من الخبراء، مثل أخصائيي الأشعة الذين يصنفون الصور الطبية، وعلماء البيئة الذين يحددون الأنواع، ومفتشي الجودة الذين يرصدون العيوب.

لا تقل جودة البيانات أهمية عن كميتها. فالأمثلة المصنفة بشكل خاطئ تُربك عملية التدريب. كما أن مجموعات البيانات المتحيزة تُنتج نماذج متحيزة؛ فإذا كانت صور التدريب تُظهر في الغالب فئة ديموغرافية واحدة، فقد يكون أداء النموذج ضعيفًا مع الفئات الأخرى. ووفقًا لأبحاث تحليل الصور على وسائل التواصل الاجتماعي، يُعد تنظيف البيانات المشوشة من منصات مثل إنستغرام وفيسبوك وفليكر أمرًا ضروريًا قبل تدريب نماذج التصنيف.

متطلبات الموارد الحاسوبية

يتطلب تدريب النماذج الكبيرة قدرة حاسوبية هائلة. ووفقًا لبحث نُشر على موقع arXiv، تُجرى التجارب غالبًا على ثمانية وحدات معالجة رسومية من نوع NVIDIA A100، كل منها مزود بذاكرة سعتها 80 جيجابايت، وهي أجهزة تكلف عشرات الآلاف من الدولارات وتستهلك كيلوواط من الكهرباء.

يُشكل هذا الأمر عوائق أمام دخول السوق. فالباحثون الأكاديميون والشركات الصغيرة لا يستطيعون دائمًا تحمل تكاليف هذه الموارد. تُساعد الحوسبة السحابية، لكنها تُضيف تكاليف مستمرة. كما يتطلب الاستدلال دراسة متأنية، إذ أن نشر النماذج على أجهزة طرفية ذات قدرة وذاكرة محدودتين يُقيّد خيارات البنية.

تتواصل الجهود لتحسين الكفاءة. حققت نماذج مثل Vision-TTT تسارعًا ملحوظًا، حيث بلغت سرعتها 4.38 ضعفًا مع تقليل الذاكرة بمقدار 88.9% مقارنةً بالمحولات القياسية. وأظهرت الأبحاث التي أُجريت على بنى فعالة مثل KAConvNet أن KAConvNet-S حققت دقة Top-1 بلغت 73.7% على ImageNet باستخدام 5 ملايين مُعامل فقط و0.7 جيجا عملية حسابية، أي بتحسن قدره 1.5% مقارنةً بالنماذج المماثلة.

قابلية التفسير والموثوقية

غالباً ما تكون الشبكات العصبية بمثابة "صناديق سوداء". فهي تُجري تنبؤات، لكن فهم أسبابها يبقى أمراً صعباً. قد يُحدد نموذج ما مرضاً ما بشكل صحيح في صورة طبية، ولكن إذا لم يستطع تفسير السمات التي أدت إلى هذا الاستنتاج، فإن الأطباء يترددون في الوثوق به.

تُؤدي الأمثلة المُضللة إلى تآكل الثقة بشكل أكبر. فقد أظهرت الأبحاث أن تغييرات طفيفة وغير محسوسة في الصور يُمكن أن تُضلل أنظمة التصنيف تمامًا. على سبيل المثال، قد يتم تصنيف إشارة التوقف المُزينة بملصقات مُصممة بعناية على أنها إشارة تحديد سرعة، وهو أمر قد يُشكل خطرًا في المركبات ذاتية القيادة.

تُبرز أساليب التفسير، مثل GradCAM، المناطق التي أثرت في التنبؤات في الصورة. وتُقدم آليات الانتباه في نماذج التحويل بعض الأفكار حول ما يركز عليه النموذج. إلا أن التفسير الشامل لا يزال يُمثل تحديًا بحثيًا قائمًا.

التعميم وتحويل المجال

غالباً ما تواجه النماذج المدربة على مجموعة بيانات واحدة صعوبةً عند استخدامها في سياقات مختلفة. فقد يفشل نظامٌ مُدرَّب على صور منتجات واضحة ومضاءة جيداً عند التعامل مع صور من كاميرات أو إضاءة أو زوايا مختلفة. كما أن النماذج الطبية المُدرَّبة على صور من أجهزة مستشفى ما قد لا تُعمَّم على أجهزة المسح الضوئي في مستشفى آخر.

تساعد تقنيات تكييف المجال النماذج على نقل التعلم بين المجالات المختلفة. ويحاول التعلم باستخدام عدد قليل من الأمثلة والتعلم بدون أمثلة التعرف على الأشياء بأقل قدر من أمثلة التدريب أو بدونها. إلا أن المتانة في مواجهة تغيير المجال لا تزال تشكل تحديًا أساسيًا يحد من تطبيقها في الواقع العملي.

الاتجاهات الناشئة والتوجهات المستقبلية

يستمر هذا المجال في التطور بسرعة. وتساهم عدة اتجاهات في تشكيل الجيل القادم من أنظمة معالجة الصور.

التعلم الذاتي والتعلم غير الخاضع للإشراف

يُعدّ تقليل الاعتماد على البيانات المصنفة محورًا رئيسيًا للبحث. يُنشئ التعلّم الذاتي إشرافًا اصطناعيًا من بيانات غير مصنفة، وذلك من خلال التنبؤ بالدوران المطبق على الصور، وإعادة بناء مناطق الصور المقنعة، أو تعلّم التمييز بين الأزواج الحقيقية والأزواج العشوائية.

يمكن بعد ذلك ضبط النماذج المدربة مسبقًا باستخدام الإشراف الذاتي بدقة على مجموعات بيانات صغيرة مصنفة لمهام محددة. هذا يقلل بشكل كبير من متطلبات التصنيف مع الحفاظ على أداء عالٍ. وقد أظهرت أساليب التعلم التبايني مثل SimCLR وMoCo نتائج مبهرة.

نماذج الرؤية واللغة

يُتيح الجمع بين الرؤية واللغة إمكانيات جديدة. تتعلم نماذج مثل CLIP ربط الصور بالأوصاف النصية، مما يُمكّن من التصنيف بدون أمثلة - أي وصف فئة جديدة من الكائنات في نص، ويتعرف عليها النموذج دون رؤية أمثلة.

تُشغّل هذه النماذج متعددة الوسائط تطبيقات مثل التعليق على الصور، والإجابة على الأسئلة المرئية، وتحويل النصوص إلى صور. وهي تمثل تحولاً نحو فهم بصري أكثر شمولية بدلاً من النماذج الضيقة الخاصة بمهام محددة.

الذكاء الاصطناعي على الحافة والهياكل الفعالة

يؤدي نقل عمليات الحوسبة من خوادم الحوسبة السحابية إلى أجهزة الحافة إلى تحسين زمن الاستجابة، وتقليل استهلاك النطاق الترددي، وتعزيز الخصوصية. ويتطلب ذلك نماذج فائقة الكفاءة تحافظ على الدقة مع مراعاة قيود الموارد.

تُسهّل خاصية البحث عن بنية الشبكات العصبية إيجاد البنى المثلى لأجهزة محددة. ويُهيئ التدريب المُراعي للتكميم النماذج للعمل بدقة أقل. وتُعدّل الشبكات العصبية الديناميكية الحسابات بناءً على تعقيد المدخلات - فالصور البسيطة تستخدم اختصارات، بينما تستخدم الصور المعقدة كامل السعة.

الرؤية ثلاثية الأبعاد وفهم الفيديو

تركز معظم عمليات معالجة الصور على الصور الثابتة ثنائية الأبعاد. لكن العالم الحقيقي ثلاثي الأبعاد وديناميكي. إن توسيع نطاق التعلم الآلي ليشمل السحب النقطية ثلاثية الأبعاد والبيانات الحجمية وتسلسلات الفيديو يفتح آفاقاً جديدة للتطبيقات.

تعتمد تقنيات التصوير الطبي بشكل متزايد على المسح ثلاثي الأبعاد. وتحتاج الأنظمة المستقلة إلى فهم المشاهد الديناميكية، من خلال تتبع الأجسام المتحركة والتنبؤ بمساراتها المستقبلية. وتقوم نماذج فهم الفيديو بتحليل الأنماط الزمنية بالإضافة إلى السمات المكانية.

بحسب وثائق المعهد الوطني للمعايير والتكنولوجيا (NIST)، أصبحت مصطلحات مثل CNN معيارية في قواميس علوم الحاسوب، مما يعكس مدى أهمية هذه التقنيات في هذا المجال. وتستمر هذه التقنية في التطور من كونها ابتكارًا بحثيًا إلى بنية تحتية راسخة.

أفضل الممارسات للتنفيذ

يتطلب تطبيق التعلم الآلي بنجاح في معالجة الصور أكثر من مجرد المعرفة التقنية. تساعد هذه الممارسات على تجنب الأخطاء الشائعة وتقديم أنظمة موثوقة.

ابدأ بأساسيات قوية

قبل بناء حلول مخصصة، جرّب النماذج المدربة مسبقًا. غالبًا ما يوفر التعلم بالنقل من النماذج المدربة على ImageNet نتائج جيدة بشكلٍ مدهش بأقل جهد. توفر مكتبات مثل Hugging Face Transformers وTensorFlow Hub مئات النماذج الجاهزة للاستخدام.

تُحدد هذه القاعدة الأساسية ما إذا كان التعلم الآلي مناسبًا لحل المشكلة، ومقدار التحسين الذي قد يوفره التطوير المخصص. في بعض الأحيان، يتفوق نموذج مُدرَّب مسبقًا، تم ضبطه بدقة لبضع ساعات، على نماذج مخصصة تم تدريبها من الصفر لأسابيع.

استثمر في جودة البيانات

جودة البيانات أهم من بنية النموذج. فالنموذج البسيط المدرب على بيانات نظيفة ومتنوعة وممثلة يتفوق على النموذج المعقد المدرب على بيانات رديئة. لذا، خصص وقتًا وموارد لجمع البيانات وتنظيفها والتحقق من صحتها.

ضع إرشادات واضحة للتعليق. ينبغي أن يقوم عدة معلقين بتصنيف الأمثلة نفسها لقياس مدى الاتفاق وتحديد الحالات الغامضة. وفقًا للأبحاث المتعلقة بأدوات التجزئة التفاعلية، يمكن للأنظمة التي تتعلم من تصحيحات المستخدم أثناء التعليق أن تقلل العبء الإجمالي مع الحفاظ على الجودة.

التصميم من أجل الإنتاج المبكر

تختلف متطلبات النماذج الأولية البحثية عن متطلبات أنظمة الإنتاج. فأنظمة الإنتاج تحتاج إلى المراقبة، والتحكم في الإصدارات، وإمكانية التراجع، واختبار A/B، والتعامل السلس مع الأعطال. ويؤدي تصميم هذه المتطلبات منذ البداية إلى تجنب عمليات إعادة الهيكلة المكلفة لاحقًا.

ضع في اعتبارك متطلبات زمن استجابة الاستدلال. تحتاج التطبيقات التي تعمل في الوقت الفعلي إلى نماذج تُنفذ في أجزاء من الثانية. ووفقًا لأبحاث حول كشف النفايات، فإن تحقيق زمن استدلال يبلغ 6.7 مللي ثانية يُتيح النشر العملي في أنظمة مراقبة البيئة. وتتحمل تطبيقات المعالجة الدفعية نماذج أبطأ إذا تحسنت الدقة.

التقييم والتحسين المستمر

إنّ نشر النموذج ليس نهاية المطاف، بل هو بداية دورة تحسين متكررة. راقب الأداء باستخدام مدخلات حقيقية. اجمع حالات الفشل لتحليلها. أعد تدريب النموذج دوريًا باستخدام بيانات جديدة كلما تراكمت.

تُقدّم ملاحظات المستخدمين إشارات قيّمة. فإذا قام المستخدمون بتعديل بعض التوقعات باستمرار، فإنّ هذه الأمثلة تستحقّ دراسة متأنية. ربما يكون النموذج يعاني من قصور، أو ربما كانت التصنيفات الأصلية خاطئة. في كلتا الحالتين، تُسهم هذه الملاحظات في تحسين النموذج.

الأسئلة الشائعة