استكشف الاختلافات بين التعلُّم بقليل من اللقطات والتعلم بدون لقطات والتعلم بالنقل في مجال الرؤية الحاسوبية وكيف تشكل هذه النماذج تدريب نماذج الذكاء الاصطناعي.
يمكن لأنظمة الذكاء الاصطناعي (AI) التعامل مع المهام المعقدة مثل التعرف على الوجوه وتصنيف الصور وقيادة السيارات بأقل قدر من المدخلات البشرية. وهي تقوم بذلك من خلال دراسة البيانات، والتعرف على الأنماط، واستخدام تلك الأنماط لوضع تنبؤات أو اتخاذ قرارات. مع تقدم الذكاء الاصطناعي، نشهد طرقاً متطورة بشكل متزايد يمكن لنماذج الذكاء الاصطناعي من خلالها التعلم والتكيف وأداء المهام بكفاءة ملحوظة.
على سبيل المثال، الرؤية الحاسوبية هي فرع من فروع الذكاء الاصطناعي يركز على تمكين الآلات من تفسير وفهم المعلومات المرئية من العالم. يعتمد تطوير نماذج الرؤية الحاسوبية التقليدية بشكل كبير على مجموعات بيانات كبيرة مشروحة للتدريب. وقد يستغرق جمع هذه البيانات وتوصيفها وقتاً طويلاً ومكلفاً.
وللتعامل مع هذه التحديات، قدم الباحثون مناهج مبتكرة مثل التعلم قليل اللقطات (FSL)، الذي يتعلم من أمثلة محدودة؛ والتعلم بدون لقطات، الذي يحدد الأشياء غير المرئية؛ والتعلم التحوّلي (TL)، الذي يطبق المعرفة من النماذج المدربة مسبقًا على مهام جديدة.
في هذه المقالة، سنستكشف كيفية عمل نماذج التعلم هذه، وسنسلط الضوء على الاختلافات الرئيسية بينها، وسنلقي نظرة على التطبيقات الواقعية. لنبدأ!
دعونا نستكشف ما هو التعلم قليل اللقطات، والتعلم صفري اللقطات، والتعلم التحوّلي فيما يتعلق بالرؤية الحاسوبية وكيفية عملها.
تعلم اللقطات القليلة هو طريقة تتعلم فيها الأنظمة التعرف على الأشياء الجديدة باستخدام عدد قليل من الأمثلة. على سبيل المثال، إذا عرضت على نموذج ما بعض الصور لطيور البطريق والبجع والبفن (تسمى هذه المجموعة الصغيرة "مجموعة الدعم")، فإنه يتعلم شكل هذه الطيور.
في وقت لاحق، إذا عرضت على النموذج صورة جديدة، مثل البطريق، فإنه يقارن هذه الصورة الجديدة مع تلك الموجودة في مجموعة الدعم الخاصة به ويختار أقرب صورة مطابقة. عندما يكون من الصعب جمع كمية كبيرة من البيانات، تكون هذه الطريقة مفيدة لأن النظام لا يزال بإمكانه التعلم والتكيف مع عدد قليل من الأمثلة.
التعلم الصفري هو وسيلة للآلات للتعرف على الأشياء التي لم ترها من قبل دون الحاجة إلى أمثلة عليها. وهي تستخدم المعلومات الدلالية، مثل الأوصاف، للمساعدة في إجراء الروابط.
على سبيل المثال، إذا كانت الآلة قد تعلمت عن حيوانات مثل القطط والأسود والخيول من خلال فهم سمات مثل "صغير ورقيق" أو "قط بري كبير" أو "وجه طويل"، فيمكنها استخدام هذه المعرفة للتعرف على حيوان جديد، مثل النمر. حتى لو لم يسبق له أن رأى نمرًا من قبل، يمكنه استخدام وصف مثل "حيوان يشبه الأسد ذو خطوط داكنة" للتعرف عليه بشكل صحيح. وهذا يسهل على الآلات التعلم والتكيف دون الحاجة إلى الكثير من الأمثلة.
التعلم المنقول هو نموذج تعلم يستخدم فيه النموذج ما تعلمه من مهمة واحدة للمساعدة في حل مهمة جديدة مماثلة. تُعد هذه التقنية مفيدة بشكل خاص عندما يتعلق الأمر بمهام الرؤية الحاسوبية مثل اكتشاف الأجسام وتصنيف الصور والتعرف على الأنماط.
على سبيل المثال، في مجال الرؤية الحاسوبية، يمكن لنموذج مُدرَّب مسبقًا أن يتعرف على أشياء عامة، مثل الحيوانات، ثم يتم ضبطه من خلال التعلم التحويلي لتحديد أشياء محددة، مثل سلالات الكلاب المختلفة. من خلال إعادة استخدام المعرفة من مهام سابقة، يسهّل التعلّم التحويلي تدريب نماذج الرؤية الحاسوبية على مجموعات بيانات أصغر، مما يوفر الوقت والجهد.
قد تتساءل عن نوع النماذج التي تدعم التعلُّم التحويلي. Ultralytics YOLO11 مثال رائع لنموذج رؤية حاسوبية يمكنه القيام بذلك. إنه نموذج متطور للكشف عن الكائنات يتم تدريبه أولاً على مجموعة بيانات عامة كبيرة. بعد ذلك، يمكن ضبطه وتدريبه بشكل دقيق ومخصص على مجموعة بيانات أصغر ومتخصصة لمهام محددة.
والآن بعد أن تحدثنا عن التعلُّم بالقليل من اللقطات، والتعلُّم بدون لقطات، والتعلُّم بالنقل، دعنا نقارن بينها لنرى كيف تختلف.
يكون التعلم من عدد قليل من اللقطات مفيدًا عندما يكون لديك كمية صغيرة فقط من البيانات المصنفة. فهو يجعل من الممكن لنموذج الذكاء الاصطناعي أن يتعلم من بضعة أمثلة فقط. من ناحية أخرى، لا يتطلب التعلم بدون لقطات، من ناحية أخرى، أي بيانات مصنفة. بدلاً من ذلك، يستخدم الأوصاف أو السياق لمساعدة النظام على التعامل مع المهام الجديدة. وفي الوقت نفسه، يتخذ التعلّم التحوّلي نهجًا مختلفًا باستخدام المعرفة من النماذج المدربة مسبقًا، مما يسمح لها بالتكيف بسرعة مع المهام الجديدة بأقل قدر من البيانات الإضافية. لكل طريقة نقاط القوة الخاصة بها اعتمادًا على نوع البيانات والمهمة التي تعمل عليها.
تُحدث نماذج التعلّم هذه فرقاً بالفعل في العديد من القطاعات، حيث تعمل على حل المشاكل المعقدة بحلول مبتكرة. دعونا نلقي نظرة فاحصة على كيفية تطبيقها في العالم الحقيقي.
يعد التعلم بالقليل من اللقطات القليلة مغيراً لقواعد اللعبة في قطاع الرعاية الصحية، خاصة في مجال التصوير الطبي. حيث يمكن أن يساعد الأطباء على تشخيص الأمراض النادرة باستخدام بعض الأمثلة أو حتى الأوصاف، دون الحاجة إلى كميات كبيرة من البيانات. وهذا مفيد بشكل خاص عندما تكون البيانات محدودة، وهو ما يحدث غالباً لأن جمع مجموعات بيانات كبيرة للحالات النادرة قد يكون أمراً صعباً.
على سبيل المثال، يستخدم برنامج SHEPHERD التعلم قليل الطلقات والرسوم البيانية للمعرفة الطبية الحيوية لتشخيص الاضطرابات الوراثية النادرة. فهو يقوم بتعيين معلومات المريض، مثل الأعراض ونتائج الاختبارات، على شبكة من الجينات والأمراض المعروفة. وهذا يساعد على تحديد السبب الوراثي المحتمل والعثور على حالات مشابهة، حتى عندما تكون البيانات محدودة.
في الزراعة، من الضروري تحديد الأمراض النباتية بسرعة لأن التأخير في الكشف عنها قد يؤدي إلى تلف المحاصيل على نطاق واسع، وانخفاض الغلة، وخسائر مالية كبيرة. وغالباً ما تعتمد الطرق التقليدية على مجموعات كبيرة من البيانات ومعارف الخبراء، والتي قد لا يمكن الوصول إليها دائماً، خاصة في المناطق النائية أو المحدودة الموارد. وهنا يأتي دور التطورات في مجال الذكاء الاصطناعي، مثل التعلّم من دون الحاجة إلى اللقطة الصفرية.
لنفترض أن مزارعًا يزرع الطماطم والبطاطس ويلاحظ أعراضًا مثل اصفرار الأوراق أو البقع البنية. يمكن أن يساعد التعلم الصفري في تحديد الأمراض مثل اللفحة المتأخرة دون الحاجة إلى مجموعات بيانات كبيرة. وباستخدام أوصاف الأعراض، يمكن للنموذج تصنيف الأمراض التي لم يرها من قبل. هذا النهج سريع وقابل للتطوير، ويتيح للمزارعين اكتشاف مجموعة متنوعة من المشاكل النباتية. يساعدهم على مراقبة صحة المحاصيل بكفاءة أكبر، واتخاذ الإجراءات في الوقت المناسب، وتقليل الخسائر.
غالباً ما تحتاج المركبات ذاتية القيادة إلى التكيف مع بيئات مختلفة للتنقل بأمان. يساعدها التعلم التحوّلي على استخدام المعرفة السابقة للتكيف بسرعة مع الظروف الجديدة دون البدء في التدريب من الصفر. وبالاقتران مع الرؤية الحاسوبية، التي تساعد المركبات على تفسير المعلومات البصرية، تتيح هذه التقنيات التنقل بسلاسة أكبر عبر مختلف التضاريس والظروف الجوية، مما يجعل القيادة الذاتية أكثر كفاءة وموثوقية.
ومن الأمثلة الجيدة على ذلك في العمل نظام إدارة مواقف السيارات الذي يستخدم Ultralytics YOLO11 لمراقبة أماكن وقوف السيارات. يمكن ضبط نموذج YOLO11 وهو نموذج مُدرَّب مسبقاً للكشف عن الأجسام، باستخدام التعلُّم التحويلي لتحديد أماكن وقوف السيارات الفارغة والمشغولة في الوقت الفعلي. من خلال تدريب النموذج على مجموعة بيانات أصغر من صور مواقف السيارات، يتعلم النموذج كيفية اكتشاف الأماكن المفتوحة والأماكن الممتلئة وحتى الأماكن المحجوزة بدقة.
يمكن لهذا النظام المدمج مع التقنيات الأخرى توجيه السائقين إلى أقرب مكان متاح، مما يساعد على تقليل وقت البحث والازدحام المروري. يجعل التعلم التحوّلي هذا الأمر ممكناً من خلال البناء على قدرات YOLO11الحالية للكشف عن الأشياء، مما يسمح له بالتكيف مع الاحتياجات المحددة لإدارة مواقف السيارات دون البدء من الصفر. يعمل هذا النهج على توفير الوقت والموارد مع إنشاء حل عالي الكفاءة وقابل للتطوير يحسّن عمليات وقوف السيارات ويعزز تجربة المستخدم بشكل عام.
يتجه مستقبل نماذج التعلّم في مجال الرؤية الحاسوبية نحو تطوير أنظمة ذكاء بصري أكثر ذكاءً واستدامة في مجال الرؤية. على وجه الخصوص، يتمثل أحد الاتجاهات المتنامية في استخدام الأساليب الهجينة التي تجمع بين التعلم قليل اللقطات والتعلم بدون لقطات والتعلم التناقلي. من خلال المزج بين نقاط القوة في هذه الأساليب، يمكن للنماذج أن تتعلم مهام جديدة بأقل قدر من البيانات وتطبيق معارفها في مجالات مختلفة.
أحد الأمثلة المثيرة للاهتمام هو استخدام التضمينات العميقة المعدّلة لضبط النماذج باستخدام المعرفة من المهام السابقة وكمية صغيرة من البيانات الجديدة، مما يسهل العمل مع مجموعات البيانات المحدودة.
وبالمثل، صُمم التعلّم باستخدام اللقطة السينية للتعامل مع المهام ذات الكميات المختلفة من البيانات. وهو يستخدم إشرافاً ضعيفاً، حيث تتعلم النماذج من تسميات محدودة أو صاخبة، وتعليمات واضحة لمساعدتها على التكيف بسرعة، حتى مع توفر أمثلة قليلة أو عدم توفر أمثلة مسبقة. توضح هذه الأساليب الهجينة كيف يمكن لدمج أساليب التعلم المختلفة أن يساعد أنظمة الذكاء الاصطناعي على مواجهة التحديات بشكل أكثر فعالية.
يعالج كلٌّ من التعلّم بقليل من اللقطات، والتعلم بدون لقطات، والتعلم بالنقل، تحديات محددة في الرؤية الحاسوبية، مما يجعلها مناسبة لمهام مختلفة. يعتمد النهج الصحيح على التطبيق المحدد وكمية البيانات المتاحة. على سبيل المثال، يعمل التعلم قليل اللقطات بشكل جيد مع البيانات المحدودة، في حين أن التعلم صفري اللقطات رائع للتعامل مع الفئات غير المرئية أو غير المألوفة.
وبالنظر إلى المستقبل، من المرجح أن يكون الجمع بين هذه الأساليب لإنشاء نماذج هجينة تدمج الرؤية واللغة والصوت محور التركيز الرئيسي. تهدف هذه التطورات إلى جعل أنظمة الذكاء الاصطناعي أكثر مرونة وفعالية وقدرة على معالجة المشاكل المعقدة، مما يفتح إمكانيات جديدة للابتكار في هذا المجال.
استكشف المزيد عن الذكاء الاصطناعي من خلال الانضمام إلى مجتمعنا والاطلاع على مستودع GitHub الخاص بنا. تعرّف على كيفية قيام الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة بإعادة تشكيل المستقبل. اطلع على خيارات ترخيصYOLO المتاحة للبدء!
