تعلّم كيف يعمل التلافيف على تشغيل الذكاء الاصطناعي في مجال الرؤية الحاسوبية، مما يتيح مهام مثل اكتشاف الأجسام والتعرف على الصور والتصوير الطبي بدقة.
يعد التلافيف عملية أساسية في العديد من تطبيقات الرؤية الحاسوبية وهو لبنة أساسية في الشبكات العصبية التلافيفية (CNNs). وهي تنطوي على تطبيق مرشح، يُعرف أيضًا باسم النواة، على مدخلات، مثل الصورة، لاستخراج ميزات محددة. تقوم هذه العملية بإنشاء خريطة ميزات تبرز وجود تلك الميزات في المدخلات الأصلية. يساعد التلافيف النماذج على تحديد الأنماط مثل الحواف والأنسجة والأشكال، وهي ضرورية لمهام مثل اكتشاف الأجسام والتعرف على الصور وتحليل الصور الطبية.
تتضمن عملية الالتفاف انزلاق مرشح على البيانات المدخلة. في كل موضع، يقوم المرشح بإجراء عملية ضرب عناصر مع القسم المقابل من المدخلات. ثم يتم تجميع نتائج عمليات الضرب هذه لإنتاج قيمة واحدة في خريطة سمات الخرج. من خلال تكرار هذه العملية عبر المدخلات بأكملها، يتم إنشاء تمثيل جديد يركز على ميزات محددة بناءً على تصميم المرشح. على سبيل المثال، سينتج عن المرشح المصمم لاكتشاف الحواف العمودية خريطة ميزات حيث يتم تمييز الحواف العمودية. يمكن تصميم المرشحات لاكتشاف مجموعة متنوعة من الميزات، من الحواف البسيطة إلى الأنماط المعقدة.
تحدد العديد من المكونات الرئيسية عملية الالتفاف:
يُستخدم التلافيف على نطاق واسع في العديد من تطبيقات الذكاء الاصطناعي والتعلم الآلي، خاصةً في مجال الرؤية الحاسوبية. فيما يلي مثالان بارزان:
في اكتشاف الأجسام، يساعد الالتفاف في تحديد الأجسام داخل الصورة وتحديد موقعها. نماذج مثل Ultralytics YOLO تستخدم الطبقات الالتفافية لاستخراج ميزات هرمية من الصور. يتم استخدام هذه الميزات بعد ذلك لاكتشاف الأجسام المتعددة وتحديد مواقعها باستخدام المربعات المحدودة. على سبيل المثال، في السيارات ذاتية القيادة، يتيح الالتفاف في السيارات ذاتية القيادة اكتشاف المشاة وإشارات المرور والمركبات الأخرى، وهو أمر بالغ الأهمية للملاحة الآمنة. يمكنك معرفة المزيد عن دور الذكاء الاصطناعي البصري في تكنولوجيا القيادة الذاتية.
يلعب التلافيف دوراً حاسماً في تحليل الصور الطبية، مثل الأشعة السينية والتصوير بالرنين المغناطيسي. من خلال تطبيق الطبقات التلافيفية، يمكن لنماذج الذكاء الاصطناعي اكتشاف الحالات الشاذة مثل الأورام أو الكسور بدقة عالية. تُستخدم هذه التقنيات في تحليل الصور الطبية لمساعدة أخصائيي الأشعة في تشخيص الأمراض بسرعة ودقة أكبر.
غالبًا ما تتم مناقشة الالتفاف جنبًا إلى جنب مع المفاهيم ذات الصلة مثل التجميع واستخراج السمات. بينما يستخرج الالتفاف الميزات عن طريق تطبيق المرشحات، يقلل التجميع من أبعاد خرائط الميزات عن طريق تقليل أخذ عينات من الميزات، عادةً عن طريق أخذ القيمة القصوى أو المتوسطة في منطقة ما. استخلاص السمات هو مصطلح أوسع يشمل كلاً من التلافيف والتجميع، إلى جانب تقنيات أخرى لاستخلاص معلومات ذات معنى من البيانات الخام.
أصبح الالتفاف أمراً لا غنى عنه في تطبيقات الذكاء الاصطناعي الحديثة نظراً لكفاءته ومرونته. تسمح منصات مثل Ultralytics HUB للمستخدمين بتدريب ونشر النماذج التي تستفيد من الالتفاف لمهام مثل التعرف على الأشياء في الوقت الفعلي والمراقبة بالفيديو. بالإضافة إلى ذلك، تتيح التحسينات مثل استخدام وحدات معالجة الرسومات معالجة أسرع وقابلية التوسع لمجموعات البيانات الكبيرة، مما يجعل التلافيف عملياً للتطبيقات في العالم الحقيقي.
.webp)
.webp)
