استكشف هندسة الميزات لتعزيز أداء النموذج. تعلم تقنيات مثل القياس والتوسيع لتحسين Ultralytics من أجل دقة أعلى.
هندسة الميزات هي عملية تحويل البيانات الأولية إلى مدخلات ذات مغزى تعمل على تحسين أداء نماذج التعلم الآلي. وهي تنطوي على الاستفادة من المعرفة في المجال لاختيار أو تعديل أو إنشاء متغيرات جديدة — تُعرف باسم الميزات — تساعد الخوارزميات على فهم الأنماط في البيانات بشكل أفضل. في حين أن بنى التعلم العميق الحديثة مثل الشبكات العصبية التلافيفية (CNNs) قادرة على تعلم الميزات تلقائيًا، تظل هندسة الميزات الصريحة خطوة حاسمة في العديد من سير العمل، لا سيما عند العمل مع البيانات المنظمة أو عند محاولة تحسين كفاءة النموذج على الأجهزة الطرفية. من خلال تحسين البيانات المدخلة، يمكن للمطورين في كثير من الأحيان تحقيق دقة أعلى باستخدام نماذج أبسط، مما يقلل من الحاجة إلى موارد حسابية ضخمة.
في سياق الذكاء الاصطناعي (AI)، نادراً ما تكون البيانات الأولية جاهزة للمعالجة الفورية. قد تحتاج الصور إلى تغيير حجمها، وقد يتطلب النص الترميز، وغالباً ما تحتوي البيانات الجدولية على قيم مفقودة أو أعمدة غير ذات صلة. تعمل هندسة الميزات على سد الفجوة بين المعلومات الأولية والتعبيرات الرياضية التي تتطلبها الخوارزميات. يمكن للهندسة الفعالة أن تسلط الضوء على العلاقات الحاسمة التي قد يفوتها النموذج، مثل الجمع بين "المسافة" و"الوقت" لإنشاء ميزة "السرعة". ترتبط هذه العملية ارتباطًا وثيقًا بالمعالجة المسبقة للبيانات، ولكن بينما تركز المعالجة المسبقة على التنظيف والتنسيق، فإن هندسة الميزات تتعلق بالتحسين الإبداعي لتعزيز القدرة التنبؤية.
فيما يتعلق بمهام الرؤية الحاسوبية، تطورت هندسة الميزات بشكل كبير. كانت الطرق التقليدية تتضمن صياغة واصفات يدويًا مثل تحويل الميزات الثابتة النطاق (SIFT) لتحديد الحواف والزوايا. اليوم، تقوم نماذج التعلم العميق مثل YOLO26 باستخراج الميزات تلقائيًا داخل طبقاتها المخفية. ومع ذلك، لا تزال الهندسة تلعب دورًا حيويًا في إعداد مجموعات البيانات، مثل إنشاء بيانات اصطناعية أو تطبيق تقنيات زيادة البيانات مثل الفسيفساء و الخلط لتعريض النماذج لتغيرات أكثر قوة في الميزات أثناء التدريب.
تشمل هندسة الميزات مجموعة واسعة من الاستراتيجيات المصممة خصيصًا للمشكلة ونوع البيانات المحددين.
تُطبق هندسة الميزات في مختلف الصناعات لحل المشكلات المعقدة.
في الرؤية الحاسوبية، يمكننا "هندسة" الميزات من خلال تعزيز الصور لمحاكاة ظروف بيئية مختلفة
. وهذا يساعد نماذج مثل يولو26 تعميم أفضل.
يوضح المثال التالي كيفية تطبيق تحويل بسيط إلى تدرج الرمادي باستخدام
ultralytics الأدوات، مما يجبر النموذج على تعلم السمات الهيكلية بدلاً من الاعتماد فقط على
اللون.
import cv2
from ultralytics.data.augment import Albumentations
# Load an example image using OpenCV
img = cv2.imread("path/to/image.jpg")
# Define a transformation pipeline to engineer new visual features
# Here, we convert images to grayscale with a 50% probability
transform = Albumentations(p=1.0)
transform.transform = A.Compose([A.ToGray(p=0.5)])
# Apply the transformation to create a new input variation
augmented_img = transform(img)
# This process helps models focus on edges and shapes, improving robustness
من المفيد التمييز بين هندسة الميزات والمفاهيم المماثلة لتجنب الخلط في مناقشات سير العمل.
من خلال إتقان هندسة الميزات، يمكن للمطورين بناء نماذج ليست فقط أكثر دقة ولكن أيضًا أكثر كفاءة، وتتطلب طاقة حاسوبية أقل لتحقيق أداء عالٍ. تسهل أدوات مثل Ultralytics ذلك من خلال توفير واجهات سهلة الاستخدام لإدارة مجموعات البيانات وتدريب النماذج، مما يتيح للمستخدمين تكرار استراتيجيات الميزات الخاصة بهم بسرعة.
.webp)