التعرف على الصور

كيف يعمل التعرف على الصور

يعتمد التعرف على الصور في جوهره بشكل كبير على التعلم الآلي (ML)، وخاصة خوارزميات التعلم العميق (DL). تُعد الشبكات العصبية التلافيفية (CNNs) مكونًا أساسيًا، وهي مصممة لتعلم التسلسلات الهرمية المكانية للسمات من الصور تلقائيًا وبشكل تكيّفي. عادةً ما تتضمن العملية تدريب نموذج على مجموعات بيانات ضخمة من الصور الموسومة، مثل مجموعة بيانات ImageNet الشهيرة، حيث يتم تمييز كل صورة بمعلومات حول محتواها، وغالبًا ما يتم تنظيمها باستخدام هياكل مثل التسلسل الهرمي ل WordNet. أثناء التدريب، يتعلم النموذج ربط أنماط وميزات بصرية محددة (مثل الحواف والأنسجة والأشكال) بتسميات أو فئات مختلفة. تتمتع البنى مثل ResNet بأداء متقدم بشكل كبير في هذه المهام. وبمجرد التدريب، يمكن للنموذج تحليل الصور الجديدة غير المرئية والتنبؤ بالأشياء أو المفاهيم الموجودة فيها. يمكن تعميق فهم هذه المفاهيم من خلال موارد مثل تخصص التعلم العميق. بينما تُعد ImageNet أساسية للتصنيف، إلا أن مجموعات البيانات مثل COCO ضرورية أيضًا لمهام الفهم البصري الأوسع نطاقًا. يتطلب التدريب الفعال للنماذج تخطيطاً وتنفيذاً دقيقاً.

الفروق من المصطلحات ذات الصلة

على الرغم من ارتباطه بمهام الرؤية الحاسوبية الأخرى، إلا أن التعرف على الصور غالبًا ما يُستخدم كمصطلح أوسع نطاقًا يشمل العديد من القدرات المحددة. من المهم تمييزها عن المهام الأضيق نطاقاً:

• تصنيف الصور: تقوم هذه المهمة بتعيين تسمية واحدة لصورة كاملة (على سبيل المثال، "قطة"، "سيارة"، "منظر طبيعي"). وهي تحدد الموضوع الرئيسي ولكنها لا تحدد موقعه. يمكن لنماذج Ultralytics تنفيذ مهام تصنيف الصور.
• اكتشاف الكائنات: يذهب هذا الأمر إلى أبعد من ذلك من خلال تحديد كائنات متعددة داخل الصورة وتحديد موقع كل كائن منها، عادةً عن طريق رسم مربع محدّد حوله وتعيين تسمية فئة (على سبيل المثال، "شخص عند الإحداثيات (س1، ص1، س2، ص2)"). استكشاف الكشف باستخدام نماذج Ultralytics .
• تجزئة الصور: يتضمن ذلك تصنيف كل بكسل في صورة.
  • التقسيم الدلالي: يعيّن تسمية فئة لكل بكسل (على سبيل المثال، جميع البكسلات التي تنتمي إلى السيارات يتم تصنيفها "سيارة").
  • تجزئة المثيل: التفريق بين المثيلات الفردية لفئة الكائن نفسها (على سبيل المثال، تسمية "سيارة 1" و"سيارة 2"). يدعم Ultralytics مهام التجزئة المختلفة.

قد يشير التعرّف على الصور في بعض الأحيان إلى تصنيف الصور على وجه التحديد، ولكنه غالبًا ما ينطوي على القدرة الأوسع لفهم محتوى الصورة، والتي قد تتضمن الكشف أو التجزئة اعتمادًا على احتياجات التطبيق.

التطبيقات الواقعية

يعمل التعرف على الصور على تشغيل مجموعة واسعة من التطبيقات في مختلف الصناعات:

• الرعاية الصحية: تُستخدم في تحليل الصور الطبية لمساعدة الأطباء في تشخيص الحالات المرضية من خلال تحديد الحالات الشاذة في الأشعة السينية أو الأشعة المقطعية أو التصوير بالرنين المغناطيسي. على سبيل المثال، يمكن تدريب النماذج للكشف عن الأورام في التصوير الطبي، مما قد يؤدي إلى تشخيص مبكر. استكشف الذكاء الاصطناعي في حلول الرعاية الصحية ومجلات مثل Radiology: الذكاء الاصطناعي لمزيد من الأفكار.
• البيع بالتجزئة: تمكين تطبيقات مثل أنظمة الدفع الآلي ومراقبة الرفوف لإدارة المخزون بالذكاء الاصطناعي وتحليل سلوك العملاء. تعرّف على كيفية تحقيق الذكاء الاصطناعي لكفاءة البيع بالتجزئة واقرأ رؤى منظمات مثل الاتحاد الوطني للبيع بالتجزئة (NRF) حول الذكاء الاصطناعي.
• الأمن والمراقبة: تعمل أنظمة التعرف على الوجه لمراقبة الدخول وتحديد هوية الأفراد، بالإضافة إلى الكشف عن الأنشطة المشبوهة لرؤية الكمبيوتر لمنع السرقة. يثير استخدام هذه التكنولوجيا اعتبارات مهمة فيما يتعلق بأخلاقيات الذكاء الاصطناعي.
• السيارات: ضرورية للمركبات ذاتية القيادة وأنظمة مساعدة السائق المتقدمة (ADAS) لاكتشاف المشاة والمركبات الأخرى وإشارات المرور وعلامات الحارات. تعرّف على المزيد حول الذكاء الاصطناعي في حلول السيارات واطلع على التكنولوجيا من شركات مثل Waymo.
• الإشراف على المحتوى: تفحص تلقائياً المحتوى الذي ينشئه المستخدمون على منصات التواصل الاجتماعي ومواقع الويب لتحديد الصور ومقاطع الفيديو غير اللائقة أو الضارة والإبلاغ عنها، كما هو موضح في مصادر مثل TechTarget.
• التصنيع: يُستخدم لفحص الجودة البصرية للكشف عن العيوب في المنتجات على خطوط التجميع، مما يحسّن مراقبة الجودة. استكشف حلول الذكاء الاصطناعي في التصنيع.

يتطور هذا المجال باستمرار، مدفوعًا بالأبحاث التي تتم مشاركتها في أماكن مثل مؤتمر الرؤية الحاسوبية والتعرف على الأنماط (CVPR) ومنظمات مثل مؤسسة الرؤية الحاسوبية (CVF). اقرأ الرؤى العملية على مدونةGoogle Cloud AI Blog.

الأدوات والتدريب

غالبًا ما يتضمن تطوير تطبيقات التعرف على الصور استخدام مكتبات وأطر عمل متخصصة. وتشمل التقنيات الرئيسية ما يلي:

• الأطر: PyTorch(الموقع الرسمي) و TensorFlow(الموقع الرسمي) الأدوات الأساسية لبناء نماذج التعلم العميق وتدريبها.
• المكتبات: OpenCV (مكتبة الرؤية الحاسوبية مفتوحة المصدر)(الموقع الرسمي) تقدم مجموعة كبيرة من الوظائف لمهام الرؤية الحاسوبية في الوقت الحقيقي.
• النماذج والمنصات: توفر Ultralytics أحدث ما توصلت إليه التكنولوجيا Ultralytics YOLO مثل YOLO11والتي تم تدريبها مسبقًا على مجموعات بيانات كبيرة مثل COCO و ImageNet. تعمل منصة Ultralytics HUB على تبسيط عملية إدارة مجموعات البيانات وتدريب النماذج المخصصة واستكشاف خيارات نشر النماذج.