انضم إلينا ونحن نلقي نظرة فاحصة على نماذج لغة الرؤية الجديدة Google: PaliGemma 2. يمكن أن تساعد هذه النماذج في فهم وتحليل كل من الصور والنصوص.
في 5 ديسمبر 2024، طرحت الشركة Google PaliGemma 2، وهو أحدث إصدار من نموذجها المتطور للغة الرؤية (VLM). صُمم PaliGemma 2 للتعامل مع المهام التي تجمع بين الصور والنصوص، مثل إنشاء التسميات التوضيحية والإجابة عن الأسئلة المرئية واكتشاف الأشياء في المرئيات.
استنادًا إلى PaliGemma الأصلي، الذي كان بالفعل أداة قوية للتعليق متعدد اللغات والتعرف على الأشياء، يجلب PaliGemma 2 العديد من التحسينات الرئيسية. وتشمل هذه التحسينات أحجام نماذج أكبر، ودعم الصور عالية الدقة، وأداء أفضل في المهام البصرية المعقدة. هذه الترقيات تجعلها أكثر مرونة وفعالية لمجموعة واسعة من الاستخدامات.
في هذه المقالة، سنلقي نظرة فاحصة على PaliGemma 2، بما في ذلك كيفية عمله، وميزاته الرئيسية، والتطبيقات التي يتألق فيها. لنبدأ!
تم بناء PaliGemma 2 على تقنيتين رئيسيتين: مشفر الرؤية SigLIP ونموذج لغة Gemma 2. يعالج مشفر SigLIP البيانات المرئية، مثل الصور أو مقاطع الفيديو، ويقسمها إلى ميزات يمكن للنموذج تحليلها. وفي الوقت نفسه، يتعامل Gemma 2 مع النصوص، مما يمكّن النموذج من فهم وتوليد لغة متعددة اللغات. يشكلان معًا نموذج VLM، مصمم لتفسير المعلومات المرئية والنصية وربطها بسلاسة.
ما يجعل PaliGemma 2 خطوة كبيرة إلى الأمام هو قابليته للتوسع وتعدد استخداماته. على عكس الإصدار الأصلي، يأتي PaliGemma 2 بثلاثة أحجام - 3 مليار (3B) و10 مليار (10B) و28 مليار (28B) معلمة. تشبه هذه المعلمات الإعدادات الداخلية للنموذج، مما يساعده على تعلم البيانات ومعالجتها بفعالية. كما أنه يدعم أيضًا دقة صور مختلفة (على سبيل المثال، 224 × 224 بكسل للمهام السريعة و896 × 896 بكسل للتحليل التفصيلي)، مما يجعله قابلاً للتكيف مع مختلف التطبيقات.
إن دمج إمكانيات لغة Gemma 2 المتقدمة مع معالجة الصور في SigLIP يجعل PaliGemma 2 أكثر ذكاءً بشكل ملحوظ. يمكنه التعامل مع مهام مثل:
يتخطى PaliGemma 2 معالجة الصور والنصوص بشكل منفصل - فهو يجمعهما معاً بطرق مفيدة. على سبيل المثال، يمكنه فهم العلاقات في المشهد، مثل التعرف على أن "القطة تجلس على الطاولة"، أو التعرف على الأشياء مع إضافة السياق، مثل التعرف على معلم شهير.
بعد ذلك، سنستعرض مثالاً باستخدام الرسم البياني الموضح في الصورة أدناه للحصول على فهم أفضل لكيفية معالجة PaliGemma 2 للبيانات المرئية والنصية. لنفترض أنك قمت بتحميل هذا الرسم البياني واسأل النموذج، "ماذا يمثل هذا الرسم البياني؟
تبدأ العملية باستخدام برنامج تشفير الرؤية SigLIP من PaliGemma 2 لتحليل الصور واستخراج الميزات الرئيسية. بالنسبة للرسم البياني، يتضمن ذلك تحديد عناصر مثل المحاور ونقاط البيانات والتسميات. يتم تدريب أداة التشفير على التقاط كل من الأنماط العامة والتفاصيل الدقيقة. كما يستخدم أيضًا أداة التعرّف الضوئي على الحروف (OCR) لاكتشاف ومعالجة أي نص مضمن في الصورة. يتم تحويل هذه الميزات المرئية إلى رموز، وهي تمثيلات رقمية يمكن للنموذج معالجتها. يتم بعد ذلك تعديل هذه الرموز باستخدام طبقة الإسقاط الخطي، وهي تقنية تضمن إمكانية دمجها بسلاسة مع البيانات النصية.
في الوقت نفسه، يقوم نموذج لغة Gemma 2 بمعالجة الاستعلام المصاحب لتحديد معناه ومقصده. يتم تحويل النص من الاستعلام إلى رموز، ويتم دمج هذه الرموز مع الرموز المرئية من SigLIP لإنشاء تمثيل متعدد الوسائط، وهو تنسيق موحد يربط بين البيانات المرئية والنصية.
باستخدام هذا التمثيل المتكامل، يُنشئ PaliGemma 2 استجابة خطوة بخطوة من خلال فك التشفير الانحداري التلقائي، وهي طريقة يتنبأ فيها النموذج بجزء واحد من الإجابة في كل مرة بناءً على السياق الذي سبق أن عالجته.
والآن بعد أن فهمنا كيفية عمله، دعونا نستكشف الميزات الرئيسية التي تجعل من PaliGemma 2 نموذجاً موثوقاً للغة الرؤية:
يعد إلقاء نظرة على بنية الإصدار الأول من PaliGemma طريقة جيدة لرؤية تحسينات PaliGemma 2. أحد أبرز التغييرات البارزة هو استبدال نموذج لغة Gemma الأصلي بنموذج Gemma 2، والذي يجلب تحسينات كبيرة في كل من الأداء والكفاءة.
تم تصميم Gemma 2، المتوفر في أحجام معلمات 9B و27B، لتقديم دقة وسرعة رائدة في فئتها مع تقليل تكاليف النشر. وهو يحقق ذلك من خلال بنية معاد تصميمها تم تحسينها لتحقيق كفاءة الاستدلال عبر إعدادات الأجهزة المختلفة، بدءًا من وحدات معالجة الرسومات القوية إلى التكوينات الأكثر سهولة.
ونتيجة لذلك، فإن PaliGemma 2 هو نموذج دقيق للغاية. يحقق الإصدار 10B من PaliGemma 2 درجة أقل في عدم دقة الجمل غير المتصلة (NES) تبلغ 20.3، مقارنةً بالنموذج الأصلي الذي يبلغ 34.3، مما يعني وجود أخطاء واقعية أقل في مخرجاته. هذه التطورات تجعل PaliGemma 2 أكثر قابلية للتطوير والدقة وقابلية للتكيف مع مجموعة واسعة من التطبيقات، بدءًا من التسميات التوضيحية التفصيلية إلى الإجابة عن الأسئلة المرئية.
لدى PaliGemma 2 القدرة على إعادة تعريف الصناعات من خلال الجمع بسلاسة بين الفهم البصري واللغوي. على سبيل المثال، فيما يتعلق بإمكانية الوصول، يمكنه توليد أوصاف مفصلة للأشياء والمشاهد والعلاقات المكانية، مما يوفر مساعدة حاسمة للأفراد ضعاف البصر. تساعد هذه الإمكانية المستخدمين على فهم بيئاتهم بشكل أفضل، مما يوفر استقلالية أكبر عندما يتعلق الأمر بالمهام اليومية.
وبالإضافة إلى سهولة الوصول، فإن PaliGemma 2 تُحدث تأثيراً في مختلف القطاعات، بما في ذلك
لتجربة PaliGemma 2، يمكنك البدء بالعرض التوضيحي التفاعلي Hugging Face. فهو يتيح لك استكشاف قدراته في مهام مثل شرح الصور والإجابة على الأسئلة المرئية. ما عليك سوى تحميل صورة وطرح أسئلة على النموذج بشأنها أو طلب وصف للمشهد.
إذا كنت ترغب في التعمّق أكثر، فإليك كيفية التعمّق أكثر:
بعد أن فهمنا كيفية البدء في استخدام PaliGemma 2، دعنا نلقي نظرة فاحصة على نقاط القوة والعيوب الرئيسية التي يجب وضعها في الاعتبار عند استخدام هذه النماذج.
إليك ما يميز PaliGemma 2 كنموذج للغة الرؤية:
وفي الوقت نفسه، إليك بعض المجالات التي قد تواجه فيها PaliGemma 2 قيوداً:
يُعد PaliGemma 2 تقدماً مذهلاً في مجال نمذجة لغة الرؤية، حيث يوفر قابلية توسع محسّنة ومرونة في الضبط الدقيق والدقة. يمكن أن يكون بمثابة أداة قيّمة لتطبيقات تتراوح بين حلول إمكانية الوصول والتجارة الإلكترونية وتشخيص الرعاية الصحية والتعليم.
على الرغم من وجود بعض القيود، مثل المتطلبات الحسابية والاعتماد على البيانات عالية الجودة، إلا أن نقاط قوته تجعله خيارًا عمليًا لمعالجة المهام المعقدة التي تدمج البيانات المرئية والنصية. يمكن أن يوفر PaliGemma 2 أساسًا قويًا للباحثين والمطورين لاستكشاف وتوسيع إمكانات الذكاء الاصطناعي في التطبيقات متعددة الوسائط.
كن جزءًا من محادثة الذكاء الاصطناعي من خلال الاطلاع على مستودع GitHub ومجتمعنا. اقرأ عن كيفية تقدم الذكاء الاصطناعي في الزراعة والرعاية الصحية! 🚀