اكتشف تصنيف الصور باستخدام برنامج Ultralytics YOLO: قم بتدريب نماذج مخصصة للرعاية الصحية والزراعة وتجارة التجزئة وغيرها باستخدام أدوات متطورة.
تصنيف الصور هو مهمة أساسية في مجال الرؤية الحاسوبية (CV) تتضمن تعيين تسمية واحدة ومحددة لصورة كاملة من مجموعة محددة مسبقًا من الفئات. الهدف الأساسي هو تحديد الموضوع الرئيسي للصورة وتصنيفها وفقًا لذلك. على سبيل المثال، يقوم نموذج التصنيف بتحليل الصورة وإخراج تسمية مثل "قطة" أو "كلب" أو "سيارة". تشكل هذه المهمة أساسًا للعديد من تطبيقات السيرة الذاتية الأكثر تعقيدًا وهي عنصر أساسي في التعلم الآلي (ML). وتعتمد هذه العملية على خوارزميات، أبرزها الشبكات العصبية التلافيفية (CNNs)، لتعلم السمات المميزة من مجموعات البيانات الكبيرة المصنفة.
يتم تدريب نماذج تصنيف الصور باستخدام التعلّم الخاضع للإشراف، حيث يتم تغذيتها بعدد كبير من الصور التي تم تصنيفها يدويًا بالفئة الصحيحة. أثناء التدريب، تتعلم الشبكة العصبية تحديد الأنماط والأنسجة والأشكال ومجموعات الألوان المرتبطة بكل فئة. يتم تحقيق هذا التعلّم من خلال عملية تُسمّى الترحيل العكسي، والتي تقوم بتعديل المعلمات الداخلية للنموذج، أو الأوزان، لتقليل الفرق بين تنبؤاته والتسميات الفعلية.
غالباً ما تستخدم نماذج التصنيف الحديثة بنى التعلم العميق مع العديد من الطبقات. قد تتعلم الطبقات المبكرة التعرف على الميزات البسيطة مثل الحواف والزوايا، بينما تجمع الطبقات الأعمق بين هذه الميزات لتحديد البنى الأكثر تعقيداً مثل العيون أو العجلات أو الوجوه. تستخدم الطبقة الأخيرة من الشبكة عادةً دالة softmax لإنتاج درجة احتمالية لكل فئة محتملة. يتم اختيار الفئة ذات الاحتمال الأعلى كتوقع نهائي. مفتاح هذه العملية هو استخراج الميزات، حيث يتعلم النموذج تلقائيًا الميزات الأكثر إفادة لمهمة التصنيف.
يُستخدم تصنيف الصور في العديد من الصناعات لأتمتة مهام التعرف البصري وتوسيع نطاقها. ومن الأمثلة البارزة على ذلك:
على الرغم من ارتباطه الوثيق بمهام الرؤية الحاسوبية الأخرى، إلا أن تصنيف الصور له غرض متميز. من المهم التفريق بينه وبين:
باختصار، يخبرك التصنيف بما هو موجود في الصورة، بينما يخبرك الاكتشاف بما هو موجود في الصورة وأين يوجد، ويوفر التقسيم خريطة مفصلة على مستوى البكسل لكل شيء في المشهد.
في حين تشتهر نماذج Ultralytics YOLO باكتشاف الأجسام، فإنها تتفوق أيضًا في مهام تصنيف الصور. يمكن بسهولة تدريب النماذج المتطورة مثل YOLO11 أو ضبطها على مجموعات البيانات المخصصة باستخدام حزمة Ultralytics Python البديهية أو منصة Ultralytics HUB التي لا تحتوي على أي كود.
توفر وثائقنا موارد واسعة النطاق، بما في ذلك نصائح لتدريب النماذج ودليل تفصيلي حول كيفية استخدام YOLO11 لتصنيف الصور. يمكن للمطوّرين الاستفادة من النماذج المدرّبة مسبقًا على مجموعات بيانات معيارية مثل ImageNet وCIFAR-100 وCaltech-101 أو تدريب نموذج جديد من الصفر. بالنسبة للمهتمين بأحدث التطورات، تقدم موارد مثل Papers With Code نظرة عامة شاملة على النماذج الأفضل أداءً. يمكنك أيضًا مقارنة أداء نموذج YOLO على المعايير القياسية. توفر أطر مثل PyTorch و TensorFlow الأساس لبناء هذه النماذج وتدريبها.
.webp)
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
