ما هي الرؤية الحاسوبية؟

Computer vision هي المجال الذي يطور أنظمة تستخرج معلومات مفيدة من الصور والفيديو. قد يصنف نموذج الرؤية صورةً كاملةً، أو يحدد مواقع الكائنات، أو يضع تسمية لكل بكسل، أو يقرأ النص، أو يقدّر الوضعية، أو يتعقب الحركة، أو يربط المحتوى البصري باللغة.

الأنظمة الحديثة للرؤية لا تقتصر على إعادة إنتاج عملية اكتشاف الحواف الأولية في الإدراك البشري. إنها تتعلم تمثيلات خاصة بالمهمة من البيانات، غالبًا باستخدام convolutional neural networks، أو محولات الرؤية، أو نماذج الأساس متعددة الوسائط.

النقاط الرئيسية

• التصنيف، الكشف، التقسيم، التعرف الضوئي على الأحرف (OCR)، التتبع، والتوليد هي مهام رؤية متميزة.
• تُدمج الشبكات الالتفافية (CNNs) مفهوم القرب ومشاركة الأوزان؛ بينما تستخدم محولات الرؤية الانتباه عبر قطع الصورة.
• يمكن أن تأتي التسميات من البشر، أو إشراف ضعيف، أو بيانات صناعية، أو أهداف التعلم ذاتيًا.
• الدقة وحدها غير كافية: فالمتانة، والكمون، والخصوصية، والتحيز، وتكاليف الفشل مهمة.

المهام الرئيسية في الرؤية الحاسوبية

• Image classification يعيّن تسمية أو أكثر لصورة. راجع كيف يعمل تصنيف الصور.
• Object detection يتنبأ بالفئات وصناديق الإحاطة لعدة كائنات.
• Semantic segmentation يضع تسمية لكل بكسل حسب الفئة، بينما يُفصل التقسيم الفعلي (instance segmentation) بين الكائنات الفردية.
• Optical character recognition (OCR) يكتشف النص ويقوم بنسخه.
• Pose estimation يتنبأ بمعالم الجسم أو الكائن.
• Tracking يربط الاكتشافات عبر إطارات الفيديو.
• Image generation and editing ينتج أو يحوّل المحتوى البصري، غالبًا باستخدام نماذج الانتشار.

كيف تتحول الصور إلى مدخلات النماذج

الصورة الرقمية هي بالفعل بيانات رقمية: موتر يحتوي على قيم البكسل عبر الأبعاد المكانية والقنوات. قد تشمل المعالجة المسبقة تغيير الحجم، أو التطبيع، أو القص، أو تعزيز الصورة. يضيف الفيديو بُعد الزمن، بينما يمكن للتصوير الطبي والعلمي إضافة العمق أو الطول الموجي أو وسائط أخرى.

استخدمت الرؤية الحاسوبية التقليدية ميزات مصممة يدويًا مثل الحواف والزوايا والملمس. عادةً ما تتعلم النماذج العميقة الحديثة الميزات بالتوازي مع المهمة، رغم أن الأساليب التقليدية تظل مفيدة عندما تكون البيانات محدودة، أو القواعد مفهومة جيدًا، أو يكون الحوسبة محدودة.

الشبكات الالتفافية (CNNs) والميزات المحلية المتعلمة

تطبق الشبكة الالتفافية (CNN) نوىً متعلمةً عبر الجوار المحلي. يمكن للطبقات الأولى أن تستجيب للأنماط المحلية، بينما تجمع الكتل اللاحقة بينها لتكوين تمثيلات ملائمة للمهمة. تقلل عمليات التجميع (Pooling) أو الخطوة (strided) من الدقة المكانية، وتُسهّل الروابط المتبقية (residual connections) تحسين الشبكات العميقة.

غالبًا ما يستخدم المصنف CNN الحديث التجميع العالمي بدلاً من مجموعة كبيرة من الطبقات المتصلة بالكامل. تضيف كاشفات الكائنات وشبكات التقسيم رؤوسًا متخصصة أو مسارات فك الترميز التي تحافظ على المعلومات المكانية.

محولات الرؤية والنماذج الأساسية

تقسّم محوّل الرؤية الصورة إلى قطع، يدمجها، ويستخدم آلية الانتباه لنمذجة علاقاتها. يمكن للمحوّلات أن تتوسع بفعالية مع مجموعات بيانات كبيرة وتدريب مسبق، بينما غالبًا ما توفر الشبكات الالتفافية افتراضات مدمجة أقوى وكفاءة أعلى على نطاقات أصغر.

تُطابق النماذج متعددة الوسائط الصور مع النص بحيث يمكن للمستخدمين البحث، أو إضافة توضيحات، أو الإجابة على الأسئلة، أو توجيه التقسيم باستخدام اللغة. توسّع هذه النماذج القدرة لكنها أيضًا ترث ضعفًا من بيانات الويب الواسعة النطاق، بما في ذلك القوالب النمطية، والمواد المحمية بحقوق النشر، وتغطية غير متساوية للسكان والبيئات.

التسميات، التعلم ذاتيًا، والبيانات الاصطناعية

إن إنشاء صناديق الإحاطة، الأقنعة، المعالم، والتعليقات التوضيحية قد يكون مكلفًا. يستمد التعلم ذاتيًا الأهداف من الصور نفسها، بينما يستخدم الإشراف الضعيف تسميات صاخبة أو غير مباشرة. يمكن للبيانات الاصطناعية إضافة سيناريوهات نادرة، لكن الفجوات في المحاكاة قد تمنع نقل أداء البيانات الاصطناعية إلى العالم الحقيقي.

يجب قياس جودة التعليقات التوضيحية. التسميات الغامضة، والحدود غير المتسقة، والكائنات المفقودة تضع سقفًا للأداء وقد تُخفي فشل الفئات الفرعية.

كيفية تقييم أنظمة الرؤية

يستخدم التصنيف مقاييس مثل الدقة، والدقة النوعية (precision)، والاستدعاء (recall)، ومؤشر F1، والمعايرة. يستخدم الكشف عادةً تقاطع على الاتحاد (IoU) ومتوسط الدقة المتوسطة (mAP). يستخدم التقسيم تقاطع على الاتحاد أو مقاييس على نمط Dice. يضيف التتبع مقاييس الهوية والمسار.

يجب أن تتطابق المقاييس مع بيئة النشر. قد يحقق النموذج نتيجة جيدة على معيار منقح لكنه لا يزال يفشل تحت المطر، أو الإضاءة المنخفضة، أو زوايا الكاميرا غير المعتادة، أو الأجهزة الجديدة، أو الفئات السكانية غير المألوفة. يجب أن تشمل التقييمات تحول التوزيع، والظروف العدائية، والكمون التشغيلي.

الخصوصية، والتحيز، والنشر

يمكن للوجوه، ولوحات الترخيص، والمنازل، والمسحات الطبية، وفيديو مكان العمل أن تكشف عن معلومات حساسة. يجب أن يتبع جمع البيانات والاحتفاظ بها أساسًا قانونيًا وأخلاقيًا محددًا، مع ضوابط وصول وتقليل البيانات. تستحق تحليلات الوجه والتعرف البيومتري تدقيقًا خاصًا لأن الأخطاء والمراقبة قد تفرض أضرارًا غير متساوية.

يمكن للنشر على الحافة (Edge) أن يقلل من الكمون ونقل البيانات. Edge AI، والتكميم، والاقتطاع، والمعجلات المتخصصة يمكن أن تجعل أنظمة الرؤية عملية على الكاميرات، والمركبات، والروبوتات، والأجهزة المحمولة، لكن يجب إعادة تقييم الضغط من حيث الدقة والتحيز.

من البكسلات إلى المهام البصرية

تحوّل الرؤية الحاسوبية الصور أو الفيديو إلى مخرجات مهمة مثل التصنيف، والكشف، والتقسيم، والتتبع، وتقدير الوضعية، والعمق، وتدفق البصري، أو التعرف على النص. تحدد تعريف المهمة التعليقات التوضيحية: لا يمكن لتسمية الصورة تدريب تحديد موقع دقيق، ولا يمكن لصندوق الإحاطة وصف قناع التقسيم بالكامل. تشكّل هندسة الكاميرا، والعدسات، والتعريض، والإضاءة، والحركة، والضغط، وزاوية الرؤية توزيع البيانات. حدد بيئة التشغيل وعواقب الخطأ قبل اختيار النموذج، لأن مجموعة صور المعيار قد لا تمثّل المستشعر أو المشهد المنشور.

يقوم خط الأنابيب بفك تشفير وتوجيه الوسائط، وتغيير حجمها أو تقسيمها إلى بلاطات، وتطبيع القيم، وتطبيق تعزيز يحافظ على التسميات، ثم تشغيل نموذج، ومعالجة النتائج (logits) أو الصناديق أو الأقنعة أو المسارات. تستخدم كاشفات الكائنات عتبات الثقة والقمع؛ يربط المتعقّبون الاكتشافات عبر الزمن؛ قد يتطلب التقسيم تنظيفًا شكلًا. احفظ تحويلات الإحداثيات بحيث تتطابق المخرجات مع الصورة الأصلية. قسّم البيانات حسب الشخص أو الكاميرا أو الموقع أو جلسة الالتقاط لتجنب ظهور إطارات متطابقة تقريبًا في مجموعتي التدريب والاختبار.

التقييم، والتحيز، والخصوصية، والعمليات

يجب أن تتطابق المقاييس مع المهمة والاستخدام. يحتاج التصنيف إلى دقة واستدعاء خاصين بالفئة؛ يستخدم الكشف تقاطع على الاتحاد (IoU) ومتوسط الدقة عبر العتبات؛ يستخدم التقسيم IoU أو Dice؛ يضيف التتبع تبديلات الهوية؛ يهم الكمون ومدة فقدان الحدث في الفيديو. أبلغ عن النتائج بحسب الإضاءة، والمسافة، والجهاز، والانسداد، ولون البشرة، والعمر، وغيرها من الظروف ذات الصلة. افحص المعايرة وأخطاء الثقة العالية. يمكن للبيانات الاصطناعية أو المعززة ملء الفجوات لكنها تتطلب مقارنة مع بيانات النشر الفعلية ولا يجب أن تتسرب مشاهد الاختبار.

يمكن للرؤية جمع المارة، والمواقع، والبيانات البيومترية، والسلوكيات الحساسة. قلل من الالتقاط والاحتفاظ، وأمّن التدفقات، وحدّ الاستخدام الثانوي، وقدّم إشعارًا أو موافقة حيثما يلزم. اختبر الرقع العدائية، وإعادة التشغيل، والانسداد، وفشل الكاميرا، وتحول المجال. راقب صحة المستشعر، وإحصاءات المدخلات، ومعدلات المخرجات، والنتائج المؤكدة؛ حافظ على مراجعة بشرية للقرارات ذات الأثر. يمكن للتمويه أو القص أن يقلل من التعرض لكنه قد يزيل الأدلة. لا يبرر ارتفاع درجة الاختبار في المختبر ادعاءات الهوية أو العاطفة أو النية خارج نطاق المهمة التي تم التحقق منها.

الأسئلة المتكررة

تراقب الكاميرات معبرًا مقيّدًا للمركبات، ويكتشف النموذج الأشخاص بدلاً من تحديد هوياتهم. تغطي البيانات النهار والليل، والطقس، والملابس، والحجب، ومستخدمي الكراسي المتحركة، ومواضع الكاميرات، والمشاهد الخالية، وتُقسَّم حسب جلسة التسجيل. يُقيَّم الكاشف من حيث استدعاء الأحداث، والإنذارات الكاذبة، وتحديد الموقع، والمهلة الزمنية للتحذير، والأداء من مسافة. وتحدد هندسة السلامة أقصى زمن استجابة مقبول وضوابط مادية مستقلة.

يمكن لتنبيه الرؤية إبطاء مركبة، لكن التوقفات الطارئة والحواجز لا تعتمد على النموذج المتعلم. ويؤدي حجب الكاميرا، وتجمد الإطارات، وفقدان الشبكة، وانتهاء مهلة النموذج إلى أعطال صريحة. تُقلَّل مدة الاحتفاظ بالفيديو الخام إلى الحد الأدنى ويُسجَّل الوصول إليه. تتتبع المراقبة صحة المستشعرات، ومعدلات التنبيه، والحوادث التي تمت مراجعتها، وحالات الاقتراب من الخطر حسب الظروف. وأي نقل للكاميرا أو تغيير في التخطيط يستدعي إعادة التحقق، لأن التشابه الظاهري للصور لا يضمن تماثل الهندسة أو المخاطر.

دليل التنفيذ والاستعداد التشغيلي

يتطلب اتخاذ قرار إنتاجي أكثر من مجرد عرض ناجح. عرّف المستخدمين المستهدفين، بيئة التشغيل، المدخلات، المخرجات، الاعتماديات، المالك، وعواقب كل فشل مهم. أنشئ خط أساس قابل لإعادة الإنتاج ومجموعة تقييم مُصدَّرة قبل الضبط. اختبر الحالات العادية، ظروف الحدود، المدخلات المشوهة أو المفقودة، تحول التوزيع، انقطاع الاعتماديات، سوء الاستخدام، والمجموعات أو البيئات الأكثر احتمالًا لتكون غير مُخدَّمة. قس جودة المهمة مع المعايرة أو عدم اليقين، الكمون، السعة، تكلفة الموارد، إمكانية الوصول، الخصوصية، والأمان. سجِّل كل تحويل وعتبة حتى يتمكن مراجع مستقل من إعادة إنتاج النتيجة والتمييز بين الأدلة والنموذج الأولي الجذاب.

قبل الإطلاق، عيّن سلطة للإصدار، الاستثناءات، التغييرات، التراجع، والتقاعد. استخدم نشرًا متدرجًا، احفظ خيارًا احتياطيًا آمنًا، وتحقق من المراقبة عبر إدخال أعطال متعمدة. يجب أن تكشف بيانات التليمترية التشغيلية عن جودة الإدخال، سلوك المخرجات، نسخة النموذج أو القاعدة، صحة الاعتماديات، التدخلات البشرية، والنتائج المؤكدة دون جمع بيانات حساسة غير ضرورية. عرّف عتبات الإنذار ومسؤول الاستجابة، ثم راجع الأدلة الواقعية بعد النشر بدلاً من افتراض استمرار الأداء غير المتصل. أعد التقييم كلما تغيرت مصادر البيانات أو المستخدمون أو النماذج أو البائعون أو السياسات أو الأجهزة أو الأهداف. يحتاج النظام المُصان أيضًا إلى توثيق استعادة، تعلم من الحوادث، إجراءات الحذف والاحتفاظ، ونقطة واضحة يجب عندها تعطيله أو استبداله.

الأسئلة المتكررة

هل الرؤية الحاسوبية هي نفسها التعرف على الصور؟

لا. عادةً ما يشير التعرف على الصور إلى التصنيف أو التعرف. تشمل الرؤية الحاسوبية أيضًا التحديد المكاني، والتقسيم، والقياس، والتتبع، وإعادة البناء، والتوليد، والاستدلال على المعلومات البصرية.

هل يرى نظام الرؤية كما يرى الإنسان؟

لا. يعالج النموذج مدخلات رقمية وفقًا لهيكله وهدف تدريبه. يمكنه التفوق على البشر في معيار ضيق بينما يفشل عند حدوث تغييرات بسيطة يتعامل معها الإنسان بسهولة.

المراجع الأساسية

• He et al.: التعلم المتبقي العميق للتعرف على الصور
• Dosovitskiy et al.: الصورة تساوي 16×16 كلمة
• توثيق Torchvision