تعرّف على كيفية استخدام التعلّم النشط في الرؤية الحاسوبية لتقليل جهود الشرح واستكشاف تطبيقاته في العالم الحقيقي في مختلف الصناعات.
تدريب نموذج رؤية الكمبيوتر يشبه إلى حد كبير تعليم الطفل التعرف على الألوان. أولاً، ستحتاج إلى مجموعة من الأشياء الملونة. بعد ذلك، ستقوم بتوجيه الطفل للتعرف على كل لون بشكل صحيح، وهي مهمة غالباً ما تستغرق وقتاً طويلاً ومتكررة.
تمامًا كما يحتاج الطفل إلى العديد من الأمثلة ليتعلم، يحتاج نموذج الرؤية إلى مجموعة كبيرة من البيانات المصنفة للتعرف على الأنماط والأشياء في الصور. ومع ذلك، يستغرق تصنيف كميات هائلة من البيانات الكثير من الوقت والجهد، ناهيك عن الموارد. يمكن أن تساعد تقنيات مثل التعلم النشط في تبسيط هذه العملية.
التعلّم النشط هو عملية تدريجية يتم فيها اختيار البيانات الأكثر أهمية من مجموعة بيانات كبيرة وتسميتها. يتعلم النموذج من هذه البيانات المصنفة مما يجعله أكثر دقة وفعالية. التركيز فقط على البيانات الأكثر قيمة يقلل من كمية التسميات المطلوبة ويسرّع من عملية تطوير النموذج.
في هذه المقالة، سنلقي نظرة على كيفية مساعدة التعلّم النشط في تدريب النموذج، وتقليل تكاليف وضع العلامات، وتحسين دقة النموذج بشكل عام.
مجموعات البيانات هي أساس الرؤية الحاسوبية ونماذج التعلم العميق. تقدم مجموعات البيانات الشائعة مثل ImageNet ملايين الصور ذات فئات متنوعة من الكائنات. ومع ذلك، فإن إنشاء مثل هذه الكميات الضخمة من مجموعات البيانات عالية الجودة والحفاظ عليها ينطوي على تحديات مختلفة.
على سبيل المثال، يستغرق جمع البيانات وتصنيفها وقتًا وموارد ومشرحين مهرة، مما يجعل العملية صعبة اعتمادًا على التطبيق المحدد. هناك حاجة إلى حلول مبتكرة وأكثر كفاءة لمواكبة الطلب المتزايد على مجموعات بيانات الصور، وهذا بالضبط ما يهدف التعلم النشط إلى حله.
يوفر التعلّم النشط حلاً مثاليًا من خلال تحسين عملية وضع العلامات على البيانات. من خلال الاختيار الاستراتيجي لنقاط البيانات الأكثر إفادة للتعليق التوضيحي بشكل استراتيجي، يعمل التعلم النشط على زيادة أداء النموذج إلى أقصى حد مع تقليل جهود وضع العلامات.
التعلّم النشط هو أسلوب تعلّم آلي تكراري حيث يختار النموذج أهم نقاط البيانات لتسميتها من مجموعة كبيرة من البيانات غير المسمّاة. يتم تصنيف نقاط البيانات المختارة هذه يدويًا وإضافتها إلى مجموعة بيانات التدريب.
ثم يُعاد تدريب النموذج على مجموعة البيانات المُحدّثة ويختار المجموعة التالية من نقاط البيانات لتسميتها. تتكرر هذه العملية، حيث يتحسن النموذج باستمرار من خلال التركيز على نقاط البيانات الأكثر إفادة. تستمر الدورة حتى يصل النموذج إلى الدقة المطلوبة أو يفي بمعايير التسمية المحددة مسبقًا.
قد تتساءل كيف تقرر تقنية التعلّم النشط أي نقاط البيانات تحتاج إلى تصنيف يدوي وأيها تحتاج إلى تصنيف يدوي بعد ذلك. دعنا نفهم كيف يعمل التعلّم النشط من خلال مقارنته بالمذاكرة للاختبار - فأنت تركز على الموضوعات التي لست متأكدًا منها وتحرص أيضًا على تغطية مجموعة متنوعة من الموضوعات لتكون مستعدًا جيدًا.
بالنسبة للمجموعة الأولية من عمليات اختيار البيانات، يستخدم التعلم النشط استراتيجيات مثل أخذ عينات عدم اليقين وأخذ العينات القائمة على التنوع. يعطي أخذ عينات عدم اليقين الأولوية لنقاط البيانات حيث يكون النموذج أقل ثقة في تنبؤاته، بهدف تحسين الدقة في الحالات الصعبة. يختار أخذ العينات القائم على التنوع نقاط البيانات التي تغطي نطاقًا واسعًا من الخصائص، مما يضمن تعميم النموذج بشكل جيد على البيانات غير المرئية من خلال تعريضه لأمثلة متنوعة.
بعد الاختيار الأولي للبيانات، يستخدم التعلّم النشط طريقتين رئيسيتين لوضع العلامات: أخذ العينات القائمة على التجمع وأخذ العينات القائمة على الدفق، وهما يشبهان الطريقة التي يساعد بها المعلم الطالب على التركيز على ما هو أكثر أهمية.
في أخذ العينات المستندة إلى مجموعة من العينات، يقوم النموذج بمسح مجموعة كبيرة من البيانات غير المسماة ويختار الأمثلة الأكثر صعوبة أو إفادة لتسميتها، تمامًا مثل الطالب الذي يعطي الأولوية للبطاقات التعليمية التي يجدها الأصعب. فيما يتعلق بأخذ العينات القائمة على الدفق، يعالج النموذج البيانات عند وصولها، ويقرر ما إذا كان سيتم تصنيفها أو تخطيها، على غرار الطالب الذي يطلب المساعدة فقط عندما يكون عالقًا. في كلتا الحالتين، تتم إضافة البيانات المصنفة إلى مجموعة التدريب، ويقوم النموذج بإعادة تدريب نفسه، ويتحسن بشكل مطرد مع كل تكرار.
يلعب التعلّم النشط دوراً رئيسياً في تطبيقات الرؤية الحاسوبية، مثل التصوير الطبي والقيادة الذاتية، من خلال تحسين دقة النماذج وتبسيط عملية تصنيف البيانات. ومن الأمثلة المثيرة للاهتمام على ذلك نماذج الرؤية الحاسوبية المستخدمة في السيارات ذاتية القيادة لاكتشاف المشاة أو الأجسام في ظروف الإضاءة المنخفضة أو الضبابية. يمكن أن يعزز التعلم النشط الدقة من خلال التركيز على سيناريوهات القيادة المتنوعة والصعبة.
على وجه التحديد، يمكن استخدام التعلّم النشط لتحديد البيانات أو الأطر غير المؤكدة من مثل هذه السيناريوهات لوضع العلامات الانتقائية. تؤدي إضافة هذه الأمثلة المصنفة إلى مجموعة التدريب إلى جعل النموذج يتعرف بشكل أفضل على المشاة والأشياء في البيئات الصعبة، مثل أثناء الطقس السيئ أو القيادة الليلية.
على سبيل المثال، استخدمت NVIDIA التعلم النشط لتحسين اكتشاف المشاة ليلاً في نماذج القيادة الذاتية الخاصة بها. من خلال الاختيار الاستراتيجي للبيانات الأكثر إفادة للتدريب، خاصة في السيناريوهات الصعبة، يزداد أداء النموذج بشكل كبير.
جانب رئيسي آخر للتعلم النشط هو قدرته على تقليل تكاليف وضع العلامات. فهو يقوم بذلك من خلال التركيز فقط على نقاط البيانات الأكثر أهمية، بدلاً من طلب شروح لمجموعة البيانات بأكملها. يوفر هذا النهج المستهدف الوقت والجهد والمال. من خلال التركيز على العينات غير المؤكدة أو المتنوعة، يقلل التعلم النشط من عدد الشروح المطلوبة مع الحفاظ على دقة النموذج العالية.
في الواقع، تظهر الأبحاث أن التعلم النشط يمكن أن يخفض تكاليف وضع العلامات بنسبة 40-60% دون التضحية بالأداء. وهذا الأمر مفيد بشكل خاص في صناعات مثل الرعاية الصحية والتصنيع، حيث تكون عملية تصنيف البيانات مكلفة. من خلال تبسيط عملية وضع العلامات التوضيحية، يساعد التعلّم النشط الشركات على تطوير النماذج بشكل أسرع ونشرها بكفاءة أكبر مع الحفاظ على الدقة.
إليك بعض المزايا الرئيسية الأخرى التي يمكن أن يقدمها التعلم النشط:
يركز التعلّم الآلي الآلي (AutoML) على أتمتة المهام التي تستغرق وقتًا طويلاً والمهام التكرارية التي ينطوي عليها بناء نماذج التعلّم الآلي ونشرها. يعمل على تبسيط سير عمل التعلم الآلي من خلال أتمتة المهام مثل اختيار النموذج وتقييم الأداء لتقليل الحاجة إلى الجهد اليدوي.
عند دمجه مع التعلّم النشط، يمكن لبرنامج AutoML تسريع دورة حياة تطوير النموذج وتحسينها. يختار مكون التعلّم النشط بشكل استراتيجي نقاط البيانات الأكثر إفادة لوضع العلامات، بينما يقوم AutoML بتحسين النموذج من خلال أتمتة اختيار البنية والمعلمات والضبط.
دعونا نفهم هذا المزيج من التقنيات بمثال.
لنفترض أنك تحاول الكشف عن الحالات النادرة في التصوير الطبي (وهي حالة استخدام يكون فيها الحصول على مجموعات البيانات المصنفة محدوداً ومكلفاً). يمكن للتعلّم النشط تحديد واختيار البيانات غير المؤكدة، مثل التغييرات الطفيفة في صور الأشعة السينية، التي يفشل النموذج في تصنيفها. بعد ذلك، يمكن إعطاء الأولوية للبيانات غير المؤكدة للتعليق التوضيحي اليدوي لتحسين فهم النموذج.
باستخدام البيانات المشروحة، يمكن ل AutoML تحسين النموذج من خلال استكشاف العديد من البنى والمعلمات الفائقة وتقنيات زيادة البيانات الأخرى. تعمل العملية التكرارية على تسريع عملية تطوير نماذج رؤية موثوقة مثل Ultralytics YOLO11 التي تساعد أخصائيي الرعاية الصحية على إجراء تشخيصات دقيقة.
يوفر التعلّم النشط وتقنياته العديد من المزايا، ولكن هناك بعض الاعتبارات التي يجب وضعها في الاعتبار عند تنفيذ هذه الاستراتيجيات:
مع التطورات الأخيرة في مجال الذكاء الاصطناعي والرؤية الحاسوبية، من المقرر أن يعالج التعلّم النشط التحديات الأكثر تعقيداً ويبسط سير عمل التعلّم الآلي. يمكن أن يؤدي الجمع بين التعلّم النشط وتقنيات مثل التعلّم الموحد والتعلّم الخاضع للإشراف الذاتي إلى تعزيز كفاءة نماذج الرؤية وقابليتها للتطوير.
يتيح التعلم الموحد إمكانية تدريب نموذج ما عبر أجهزة أو خوادم متعددة باستخدام إطار عمل موزع دون الحاجة إلى مغادرة البيانات لموقعها الأصلي. بالنظر إلى صناعات مثل الرعاية الصحية، حيث تكون خصوصية البيانات مهمة، يتيح التعلم الموحد إمكانية التدريب مباشرةً على البيانات المحلية الحساسة مع الحفاظ على أمانها. فبدلاً من مشاركة البيانات الخام، تتم مشاركة تحديثات النموذج أو الرؤى فقط، مما يضمن بقاء المعلومات الخاصة محمية مع استمرار المساهمة في عملية التدريب.
وفي الوقت نفسه، يساعد التعلّم الخاضع للإشراف الذاتي على تقليل الحاجة إلى البيانات المصنفة من خلال التدريب المسبق للنماذج على بيانات غير مصنفة. تخلق هذه العملية قاعدة قوية للنموذج. يمكن للتعلّم النشط بعد ذلك البناء على ذلك من خلال تحديد واختيار أهم نقاط البيانات للتعليق التوضيحي البشري، مما يزيد من تحسين النموذج.
يوفر التعلّم النشط طريقة عملية لمعالجة التحديات الرئيسية في مجال الرؤية الحاسوبية، مثل التكلفة العالية للتعليق التوضيحي للبيانات والحاجة إلى نماذج أكثر دقة. ومن خلال التركيز على وضع العلامات على نقاط البيانات الأكثر قيمة فقط، فإنه يقلل من الجهد المطلوب من البشر مع تعزيز أداء النموذج.
عند دمجه مع تقنيات مثل AutoML، يعمل التعلم النشط على تبسيط عملية تطوير النماذج من خلال أتمتة المهام التي تستغرق وقتًا طويلاً. ومع استمرار التقدم، من المتوقع أن يصبح التعلم النشط أداة أساسية لبناء أنظمة رؤية حاسوبية أكثر ذكاءً وفعالية.
استكشف مستودع GitHub الخاص بنا وانضم إلى مجتمعنا لمعرفة المزيد عن نماذج الذكاء الاصطناعي والرؤية الحاسوبية. اكتشف المزيد من تطبيقات الرؤية الحاسوبية في التصنيع والرعاية الصحية على صفحات الحلول الخاصة بنا. يمكنك أيضاً الاطلاع على خيارات الترخيص لدينا للبدء في رحلتك في مجال الرؤية والذكاء الاصطناعي اليوم.
