انضم إلينا ونحن نلقي نظرة فاحصة على أفضل مجموعات بيانات الرؤية الحاسوبية لعام 2025. تعرّف على كيفية مساهمة مجموعات البيانات المتنوعة وعالية الجودة في تعزيز حلول الذكاء الاصطناعي للرؤية المرئية الأكثر ذكاءً.
هل تعلم أن البيانات تلعب دوراً في كل ما تفعله يومياً تقريباً؟ تساهم مشاهدة مقطع فيديو أو التقاط صورة أو التحقق من خرائط Google في التدفق المستمر للمعلومات التي يلتقطها أكثر من 75 مليار جهاز متصل بالإنترنت. تشكل هذه الأجزاء من البيانات أساس الذكاء الاصطناعي (AI). في الواقع، نماذج الرؤية الحاسوبية المتقدمة مثل Ultralytics YOLO11 على البيانات المرئية لتحديد الأنماط وتفسير الصور وفهم العالم من حولنا.
ومن المثير للاهتمام أن قيمة البيانات لا تتعلق فقط بالكمية. بل الأهم من ذلك هو مدى جودة تنظيمها وإعدادها. إذا كانت مجموعة البيانات فوضوية أو غير مكتملة، فقد يؤدي ذلك إلى حدوث أخطاء. ومع ذلك، عندما تكون مجموعات البيانات نظيفة ومتنوعة، فإنها تساعد نماذج الرؤية الحاسوبية على الأداء بشكل أفضل، سواء كان ذلك في التعرف على الأشياء في حشد من الناس أو تحليل المرئيات المعقدة. تُحدث مجموعات البيانات عالية الجودة كل الفرق.
في هذه المقالة، سنستكشف أفضل مجموعات بيانات الرؤية الحاسوبية لعام 2025 ونرى كيف تساهم في بناء نماذج رؤية حاسوبية أكثر دقة وكفاءة. لنبدأ!
مجموعة بيانات الرؤية الحاسوبية هي مجموعة من الصور أو مقاطع الفيديو التي تساعد أنظمة الرؤية الحاسوبية على تعلم فهم المعلومات البصرية والتعرف عليها. تأتي مجموعات البيانات هذه مع تسميات أو تعليقات توضيحية تساعد النماذج على التعرف على الأشياء والأشخاص والمشاهد والأنماط داخل البيانات.
يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، مما يساعدها على تحسين مهام مثل التعرف على الوجوه أو اكتشاف الأجسام أو تحليل المشاهد. وكلما كانت مجموعة البيانات أفضل - جيدة التنظيم ومتنوعة ودقيقة - كان أداء نموذج الرؤية بالذكاء الاصطناعي أفضل، مما يؤدي إلى تكنولوجيا أكثر ذكاءً وفائدة في الحياة اليومية.
إن بناء مجموعة بيانات الرؤية الحاسوبية يشبه إعداد ملاحظات دراسية لتعليم شخص ما كيفية رؤية العالم وفهمه. يبدأ كل شيء بجمع الصور ومقاطع الفيديو التي تتطابق مع التطبيق المحدد الذي تقوم بتطويره.
تشتمل مجموعة البيانات المثالية على أمثلة متنوعة للأجسام محل الاهتمام، والتي تم التقاطها من زوايا مختلفة، وتحت ظروف إضاءة مختلفة، وفي خلفيات وبيئات متعددة. يضمن هذا التنوع أن نموذج الرؤية الحاسوبية يتعلم التعرف على الأنماط بدقة ويؤدي بشكل موثوق في سيناريوهات العالم الحقيقي.
بعد جمع الصور ومقاطع الفيديو ذات الصلة، فإن الخطوة التالية هي وضع العلامات على البيانات. تتضمن هذه العملية إضافة علامات أو تعليقات توضيحية أو أوصاف إلى البيانات حتى يتمكن الذكاء الاصطناعي من فهم ما تحتويه كل صورة أو مقطع فيديو.
يمكن أن تتضمن التسميات أسماء الكائنات أو مواقعها أو حدودها أو غيرها من التفاصيل ذات الصلة التي تساعد في تدريب النموذج على التعرف على المعلومات المرئية وتفسيرها بدقة. تعمل تسمية البيانات على تحويل مجموعة بسيطة من الصور إلى مجموعة بيانات منظمة يمكن استخدامها لتدريب نموذج رؤية حاسوبية.
قد تتساءل ما الذي يجعل مجموعة البيانات عالية الجودة. هناك العديد من العوامل المعنية، مثل التسمية الدقيقة والتنوع والاتساق. على سبيل المثال، إذا قام العديد من المُعلّقين بتسمية مجموعة بيانات الكشف عن الكائنات لتحديد آذان القطط، فقد يقوم أحدهم بتسميتها كجزء من الرأس بينما يقوم آخر بتسميتها بشكل منفصل كأذنين. هذا التناقض يمكن أن يربك النموذج ويؤثر على قدرته على التعلم بشكل صحيح.
إليك نظرة عامة سريعة على صفات مجموعة بيانات الرؤية الحاسوبية المثالية:
صُممت نماذج Ultralytics YOLO مثل YOLO11 للعمل مع مجموعات البيانات بتنسيق ملف YOLO محدد. على الرغم من سهولة تحويل بياناتك الخاصة إلى هذا التنسيق، إلا أننا نوفر أيضًا خيارًا خاليًا من المتاعب لأولئك الذين يرغبون في بدء التجربة على الفور.
تدعم حزمةUltralytics Python مجموعة واسعة من مجموعات بيانات الرؤية الحاسوبية، مما يتيح لك الغوص في المشاريع باستخدام مهام مثل اكتشاف الكائنات أو تجزئة المثيل أو تقدير الوضع دون أي إعداد إضافي.
يمكن للمستخدمين الوصول بسهولة إلى مجموعات البيانات الجاهزة للاستخدام مثل COCO و DOTA-v2.0 و Open Images V7 و ImageNet من خلال تحديد اسم مجموعة البيانات كأحد المعلمات في وظيفة التدريب. عند القيام بذلك، يتم تنزيل مجموعة البيانات تلقائيًا وتهيئتها مسبقًا، بحيث يمكنك التركيز على بناء نماذجك وتحسينها.
تعتمد التطورات في مجال الذكاء الاصطناعي البصري على مجموعات البيانات المتنوعة واسعة النطاق التي تدفع الابتكار وتتيح تحقيق الإنجازات. دعونا نلقي نظرة على بعض أهم مجموعات البيانات، التي تدعمها Ultralytics والتي تؤثر على نماذج الرؤية الحاسوبية.
ImageNet، التي أنشأتها فيي-فيي لي وفريقها في جامعة برينستون في عام 2007 وتم تقديمها في عام 2009، هي مجموعة بيانات كبيرة تضم أكثر من 14 مليون صورة مصنفة. تُستخدم على نطاق واسع لتدريب الأنظمة على التعرف على الأشياء المختلفة وتصنيفها. تصميمها المنظم يجعلها مفيدة بشكل خاص لتعليم النماذج تصنيف الصور بدقة. وعلى الرغم من أنها موثقة بشكل جيد، إلا أنها تركز في المقام الأول على تصنيف الصور وتفتقر إلى شروح مفصلة لمهام مثل اكتشاف الأجسام.
إليك نظرة على بعض نقاط القوة الرئيسية في ImageNet:
ومع ذلك، مثل أي مجموعة بيانات، فإن لها حدودها. وفيما يلي بعض التحديات التي يجب مراعاتها:
إن مجموعة بيانات DOTA-v2.0، حيث يرمز DOTA إلى مجموعة بيانات للكشف عن الأجسام في الصور الجوية، وهي مجموعة واسعة من الصور الجوية التي تم إنشاؤها خصيصًا للكشف عن الأجسام في المربع المحيط الموجه (OBB). في عملية الكشف عن الأجسام في OBB، يتم استخدام المربعات المحدّدة المدوّرة لمحاذاة أكثر دقة مع الاتجاه الفعلي للأجسام في الصورة. تعمل هذه الطريقة بشكل جيد بشكل خاص مع الصور الجوية، حيث تظهر الأجسام غالبًا في زوايا مختلفة، مما يؤدي إلى تحديد موقع أكثر دقة واكتشاف أفضل بشكل عام.
تتألف مجموعة البيانات هذه من أكثر من 11,000 صورة وأكثر من 1.7 مليون مربع محدد موجه عبر 18 فئة من فئات الأجسام. تتراوح الصور من 800×800 إلى 20,000×20,000 بكسل، وتتضمن أجسامًا مثل الطائرات والسفن والمباني.
بسبب شروحه التفصيلية، أصبح DOTA-v2.0 خيارًا شائعًا لمشاريع الاستشعار عن بُعد والمراقبة الجوية. فيما يلي بعض الميزات الرئيسية لبرنامج DOTA-v2.0:
بينما يتمتع DOTA-v2 بالعديد من نقاط القوة، إليك بعض القيود التي يجب على المستخدمين أخذها في الاعتبار:
تم إنشاء مجموعة بيانات Roboflow 100 (RF100) بواسطة Roboflow بدعم من Intel. يمكن استخدامها لاختبار وقياس مدى جودة عمل نماذج اكتشاف الكائنات. تتضمن مجموعة البيانات المعيارية هذه 100 مجموعة بيانات مختلفة تم اختيارها من بين أكثر من 90,000 مجموعة بيانات عامة. تحتوي على أكثر من 224,000 صورة و800 فئة من فئات الكائنات من مجالات مثل الرعاية الصحية والمناظر الجوية والألعاب.
فيما يلي بعض المزايا الرئيسية لاستخدام RF100:
على الرغم من نقاط القوة التي يتمتع بها RF100، إلا أن له بعض العيوب التي يجب وضعها في الاعتبار:
تُعد مجموعة بيانات COCO واحدة من أكثر مجموعات بيانات الرؤية الحاسوبية استخدامًا، حيث تقدم أكثر من 330,000 صورة مع شروح مفصلة للصور. وهي مصممة لاكتشاف الأجسام وتجزئتها وتفسير الصور، مما يجعلها مورداً قيماً للعديد من المشاريع. تساعد تسمياتها التفصيلية، بما في ذلك المربعات المحيطة وأقنعة التجزئة، الأنظمة على تعلم تحليل الصور بدقة.
تشتهر مجموعة البيانات هذه بمرونتها وهي مفيدة لمختلف المهام، من المشاريع البسيطة إلى المعقدة. وقد أصبحت معياراً في مجال الذكاء الاصطناعي المرئي، وكثيراً ما تُستخدم في التحديات والمسابقات لتقييم أداء النموذج.
تتضمن بعض نقاط قوتها ما يلي:
إليك بعض العوامل المقيدة التي يجب أن تكون على دراية بها أيضاً:
Open Images V7 عبارة عن مجموعة بيانات ضخمة مفتوحة المصدر برعاية Google تضم أكثر من 9 ملايين صورة مع شروح توضيحية لـ 600 فئة من فئات الكائنات. تتضمن مجموعة متنوعة من أنواع التعليقات التوضيحية وهي مثالية لمعالجة مهام الرؤية الحاسوبية المعقدة. يوفر حجمها وعمقها مورداً شاملاً لتدريب واختبار نماذج الرؤية الحاسوبية.
كما أن شعبية مجموعة بيانات Open Images V7 في مجال الأبحاث توفر الكثير من الموارد والأمثلة للمستخدمين للتعلم منها. ومع ذلك، فإن حجمها الضخم يمكن أن يجعل تنزيلها ومعالجتها يستغرق وقتًا طويلاً، خاصة بالنسبة للفرق الصغيرة. هناك مشكلة أخرى تتمثل في أن بعض التعليقات التوضيحية قد تكون غير متسقة، مما يتطلب جهدًا إضافيًا لتنظيف البيانات، كما أن التكامل ليس دائمًا سلسًا، مما يعني أنه قد تكون هناك حاجة إلى إعداد إضافي.
يعد اختيار مجموعة البيانات المناسبة جزءًا كبيرًا من إعداد مشروع الرؤية الحاسوبية الخاص بك للنجاح. يعتمد الاختيار الأفضل على مهمتك المحددة، حيث أن العثور على تطابق جيد يساعد نموذجك على تعلم المهارات الصحيحة. كما يجب أن تتكامل بسهولة مع أدواتك، بحيث يمكنك التركيز أكثر على بناء نموذجك وأقل على استكشاف الأخطاء وإصلاحها.
.webp)
مجموعات البيانات عالية الجودة هي العمود الفقري لأي نموذج رؤية حاسوبية، مما يساعد الأنظمة على تعلم تفسير الصور بدقة. تُعد مجموعات البيانات المتنوعة والمشروحة بشكل جيد مهمة بشكل خاص، لأنها تمكّن النماذج من الأداء بشكل موثوق في سيناريوهات العالم الحقيقي وتقلل من الأخطاء الناجمة عن البيانات المحدودة أو ذات الجودة الرديئة.
يعمل Ultralytics على تبسيط عملية الوصول إلى مجموعات بيانات الرؤية الحاسوبية والعمل معها، مما يسهل العثور على البيانات المناسبة لمشروعك. يعد اختيار مجموعة البيانات المناسبة خطوة حاسمة في بناء نموذج عالي الأداء، مما يؤدي إلى نتائج أكثر دقة وتأثيراً.
انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. اكتشف التطورات مثل الرؤية الحاسوبية للرعاية الصحية والذكاء الاصطناعي في السيارات ذاتية القيادة على صفحات الحلول الخاصة بنا. اطّلع على خيارات الترخيص لدينا واتخذ الخطوة الأولى نحو البدء في استخدام الرؤية الحاسوبية اليوم!
