أساسيات الذكاء الاصطناعي
ما هو Albumentations؟ تعزيز الصور للرؤية الحاسوبية
أضف Unite.AI إلى مصادرك المفضلة على Google
Albumentations هي مكتبة بايثون مفتوحة المصدر لتعزيز الصور. تُطبق تحولات هندسية وفوتومترية عشوائية مع الحفاظ على توافق الأهداف المرتبطة—مثل أقنعة التقسيم، وصناديق الإحاطة، والنقاط المفتاحية—مع الصورة.
يعتمد التعزيز على فرضية الثبات: فهو يخبر النموذج أن التغييرات المختارة لا يجب أن تغير تسمية المهمة. تجعل المكتبة السريعة التجارب أسهل، لكن فقط المعرفة المتخصصة والتحقق يمكن أن يحددا ما إذا كان التحول شرعيًا.
النقاط الرئيسية
- اجمع التحولات الاحتمالية في خط أنابيب تدريب قابل لإعادة الإنتاج.
- حوّل الصور والأهداف المكانية معًا؛ تحقق صراحةً من قواعد الصناديق والنقاط المفتاحية.
- طبق التعزيز العشوائي على بيانات التدريب، وليس على توزيع التحقق أو الاختبار غير المعدل.
- قِس تأثيرات كل فئة ومجموعة فرعية لأن التعزيز القوي قد يساعد حالة واحدة ويضر بأخرى.
كيف يعمل خط أنابيب Albumentations
يتلقى خط الأنابيب صورةً وأهدافًا مسماة، ويختار التحولات وفقًا لاحتمالاتها، ثم يُعيد قاموسًا بالمخرجات المحدثة. يمكن للتحولات الهندسية أن تقص، تدور، تقلب، أو تشوه؛ بينما يمكن للتحولات الفوتومترية تعديل اللون، التباين، الضبابية، أو الضوضاء.
تندمج المكتبة مع أطر التدريب مع الحفاظ على تركيزها على التعزيز. بالنسبة للرؤية الحاسوبية، يتيح هذا الفصل إمكانية تقييم سياسات البيانات بشكل مستقل عن إطار النموذج.
حافظ على صحة التسميات هندسيًا
يجب أن يقص القطع الذي يغير الصورة أيضًا قناعها ويُحدّث أو يزيل الصناديق والنقاط المفتاحية المتأثرة. اضبط تنسيق الإحداثيات، حقول التسميات، الحد الأدنى للظهور، القص، وقواعد الترشيح، ثم عاين الدفعات قبل التدريب.
تختلف طريقة الاستيفاء حسب الهدف: قد تستخدم الصورة استيفاءً ثنائي الخطوط، بينما عادةً يحتاج قناع الفئة إلى استيفاء أقرب جار لتجنب إنشاء قيم فئوية غير موجودة. يمكن أن يتسبب التعامل غير الصحيح مع الأهداف في إفساد مجموعة البيانات بصمت.
اختر التحولات من عالم النشر
قد يكون القلب الأفقي صالحًا لصور الحياة البرية لكنه غير مناسب للنصوص، إشارات الطرق، الجانب الطبي، أو المعدات غير المتماثلة. قد تحسن تغييرات اللون من مقاومة الإضاءة ولكنها قد تمحو ميزة تشخيصية عندما يكون للون معنى.
ابدأ بتنوع إزعاج محتمل، أضف عائلة واحدة في كل مرة، وتفحص الأمثلة الصعبة. اربط الاختيارات بفرضيات الإفراط في التخصيص بدلاً من افتراض أن زيادة التنوع الصناعي دائمًا أفضل.
قابلية الإعادة والتقييم
سجِّل نسخة المكتبة، تكوين خط الأنابيب، الاحتمالات، استراتيجية البذرة العشوائية، ترتيب ما قبل المعالجة، والتطبيع. يجب أن يختلف العشوائية بين عينات التدريب بينما تظل التجارب قابلة لإعادة الإنتاج على مستوى التنفيذ.
احتفظ بصور التحقق والاختبار ممثلة وغير معززة باستثناء ما قبل المعالجة الحتمي. قارن الدقة، المعايرة، أخطاء كل فئة، والمرونة. يمكن لمصفوفات الالتباس أن تكشف متى يغيّر التعزيز الخطأ بدلاً من تقليله.
التكوين، الاحتمالات، والأهداف
تُطبق الدالة Compose سلسلة من التحولات، كل منها باحتمال معين. تُنشئ OneOf أو SomeOf عينات من البدائل، وتحدد الاحتمالات المتداخلة التوزيع الفعلي. وبالتالي فإن سياسة التعزيز الفعّالة هي برنامج عشوائي؛ سجِّلها وتفحص تواتر العينات بدلاً من قراءة كل احتمال بمفرده.
تسمح الأهداف الإضافية لعدة صور أو أقنعة بمشاركة الهندسة، وهو ما يكون مفيدًا لأزواج الستريو، الصور قبل وبعد، أو التعليقات المتعددة. يتطلب دعم صناديق الإحاطة تنسيقًا معلنًا مثل Pascal VOC أو COCO أو YOLO أو إحداثيات Albumentations. قد تشمل صيغ النقاط المفتاحية الزاوية أو المقياس، ويجب أن تحافظ التحولات على تلك الدلالات.
يمكن للقصات أن تزيل جميع الأهداف. قرّر ما إذا كنت ستعيد العينة، تحتفظ بعينة خلفية، أو تُرشّحها، لأن كل خيار يغيّر توزيع الفئات. يجب على خطوط أنابيب الكشف والتقسيم تسجيل الصناديق المستبعدة، الكسور الظاهرة، والعينات الفارغة للكشف عن الأضرار الصامتة للتسميات.
تصميم السياسة حسب المهمة
غالبًا ما تتحمل التصنيف القصات، تغييرات اللون، الضبابية، وال遮挡 عندما تظل الفئة مرئية. يتطلب الكشف تحويل الكائنات والصناديق معًا. يتطلب التقسيم دقة هندسة القناع. يجب أن يحافظ تقدير الوضعية على النقاط المفتاحية وقد يحتاج إلى تبديل التسميات اليسرى واليمنى بعد القلب.
قد تحظر التصوير الطبي القلب، تغييرات اللون العنيفة، أو الاستيفاء الذي يغيّر الشدة الكمية. يجب على الاستشعار عن بعد مراعاة الاتجاه، الموسم، نطاقات المستشعر، والقياس الجغرافي. يجب على تحليل المستندات الحفاظ على القابلية للقراءة والتخطيط. يحدد المجال الثبات؛ وتقوم المكتبة بتنفيذه فقط.
إن دمج أساليب مثل MixUp أو CutMix أو Mosaic أو النسخ واللصق يخلق تسميات مركبة وقد يحدث في محمل البيانات أو الإطار بدلاً من Albumentations. يجب اختبار تفاعلها مع التحولات الأساسية، التطبيع، وتعبئة الدفعات. قد تُبطئ السياسات القوية التقارب أو تغير المعايرة حتى عندما تتحسن الدقة النهائية.
الأداء، التصحيح، وتصميم التجربة
يعمل التعزيز على وحدة المعالجة المركزية ما لم يُستخدم مسار مختلف. قسّ معدل نقل محمل البيانات، عدد العاملين، تكلفة فك الترميز، نسخ الذاكرة، ووقت الخمول على وحدة معالجة الرسومات. تكون التحولات الأسرع ذات قيمة فقط إذا لم تُغيّر الدلالات. احفظ مراحل فك الترميز أو ما قبل المعالجة غير القابلة للتغيير عندما تسمح التخزين والقابلية للإعادة.
اعرض شبكات من العينات الأصلية والمحولة مع تراكب كل هدف. أضف اختبارات آلية لجولات الإحداثيات، قيم الأقنعة، الشكل، نوع البيانات، وإعادة التشغيل الحتمية. اضبط البذور في النطاق الصحيح؛ يمكن أن يقلل التعزيز المتطابق عبر جميع العاملين من التنوع دون قصد.
نفّذ تجارب إلغاء مقابل أساس ثابت: لا تعزيز، تحولات أساسية محتملة، ثم سياسات أقوى. كرّر البذور وبلغ عن التباين. قيّم البيانات النظيفة، التشوهات ذات الصلة، والمجموعات الفرعية بشكل منفصل. احتفظ بالسياسة فقط عندما يظل فائدتها صامدة في الاختبار المستقل وتبقى الصور المحوّلة موثوقة للخبراء المتخصصين.
تصميم والتحقق من خط أنابيب Albumentations
ابدأ من التغييرات المتوقعة بعد النشر: زاوية الكاميرا، القص، المقياس، الإضاءة، الضغط، الضبابية، الطقس،遮挡، وضوضاء المستشعر. اختر التحولات التي تحافظ على التسمية وتطابق تلك الآليات. قد يكون القلب الأفقي صالحًا للحيوانات لكنه غير صالح للنص، اتجاه المرور، أو التشريح غير المتماثل. يمكن لتغييرات اللون القوية أن تدمر المعلومات التشخيصية المهمة حتى وإن بدت الصورة معقولة.
تجمع Albumentations التحولات وتطبق التغييرات المكانية بشكل متسق على الصور، الأقنعة، صناديق الإحاطة، والنقاط المفتاحية عندما تُضبط بشكل صحيح. أعلن عن تنسيقات الإحداثيات، الحد الأدنى للظهور، الاستيفاء، ومعالجة الأقنعة صراحةً. عاين مئات العينات المعززة مع التعليقات المرفقة، اختبر الحالات الفارغة والحدودية، واحفظ المعلمات العشوائية للتصحيح. قسّم البيانات حسب الموضوع أو المشهد قبل التعزيز حتى لا تتسرب الصور المرتبطة بين التدريب والاختبار.
قارن بين عدم التعزيز، التعزيز البسيط، والسياسة المقترحة على مجموعة اختبار غير معدلة ومجموعات إجهاد واقعية. تتبع الدقة الخاصة بكل فئة، التوطين، المعايرة، وأمثلة الفشل، وليس فقط خسارة التدريب. قد يؤدي التعزيز المفرط إلى نقص التوافق مع التوزيع الحقيقي، بينما قد يشجع التعزيز الضعيف على تعلم الاختصارات. ضع إصدارات لخط الأنابيب مع النموذج، وابدأ تشغيلات التقييم ببذور، وتجنب تطبيق التحولات العشوائية أثناء التحقق أو الاستدلال إلا إذا تم تقييم التعزيز أثناء الاختبار عن قصد.
بالنسبة للكشف والتقسيم، تحقق من قص الإحداثيات، الحد الأدنى لمساحة الصندوق، وضوح النقاط المفتاحية، والاستيفاء المستخدم للأقنعة الفئوية. عادةً ما يكون استيفاء أقرب جار مطلوبًا لمعرفات الفئات، بينما يمكن لاستيفاء ثنائي الخطوط إنشاء تسميات غير صالحة. قيم أيضًا محمل البيانات: قد تجعل التحولات العنيفة التعزيز على وحدة المعالجة المركزية عنق الزجاجة في التدريب. احفظ فقط التحولات التي تكون حتمية وتُحافظ على العشوائية المقصودة عبر الفترات والعاملين.
قائمة التحقق العملية للتنفيذ
حوّل الفكرة إلى سير عمل محدود وقابل للاختبار: تحميل عينة → اختيار → تحويل → محاذاة الأهداف → تدريب → تحقق. عيّن مالكًا مسؤولًا، وثّق البيانات والاعتماديات، أنشئ أساسًا بسيطًا، حدّد معايير القبول والإيقاف، اختبر الأخطاء النموذجية، وحدد المراقبة، الاستعادة، والمراجعة قبل توسيع النطاق. سجِّل الإصدارات والافتراضات حتى يتمكن فريق آخر من إعادة إنتاج النتيجة وفهم ما تغير.
قبل الإطلاق، أجرِ مراجعة جاهزية موثقة مع الأشخاص الذين يبنون، يشغلون، يؤمنون، ويتأثرون بالنظام. اختبر الحالات العادية، الظروف الحدية، فشل الاعتماديات، وسوء الاستخدام؛ احفظ الأدلة والمخاطر غير المحلولة. حدّد من يمكنه الموافقة على الإصدار، تعديل العتبة، تجاوز مخرجات، أو إيقاف العملية. أعد النظر في القرار بعد وصول بيانات العالم الحقيقي، لأن نجاح تجريبي تقني لا يضمن أداءً موثوقًا على نطاق أوسع.
- الصورة: الهندسة، اللون، الضبابية، والضوضاء.
- الأهداف: الأقنعة، الصناديق، النقاط المفتاحية، والتسميات.
- الأدلة: فحص الجودة البصري وتقييم منفصل.
الأسئلة المتكررة
هل يخلق تعزيز الصورة حقيقة أرضية جديدة؟
لا. إنه يخلق أمثلة تدريبية محوَّلة تحت فرضية بقاء التسميات صالحة. التحول غير الواقعي أو المُصنَّف بشكل غير صحيح يضيف ضوضاء.
هل يجب تعزيز صور التحقق؟
استخدم تغيير الحجم والتطبيع الحتمي المطلوبين من قبل النموذج، لكن حافظ على توزيع التقييم ثابتًا. يعتبر التعزيز أثناء الاختبار طريقة استدلال منفصلة ويجب الإبلاغ عنها صراحةً.
المراجع الأساسية
