تعرف على كيفية عمل رؤية الكمبيوتر، بدءًا من شبكات CNN وحتى اكتشاف الأشياء. اكتشف تطبيقات العالم الحقيقي في مجالات القيادة الذاتية، والتصوير الطبي، وتجارة التجزئة، والمزيد.
يتم فتح قفل هاتفك عندما يرى وجهك. سيارة ذاتية القيادة ترصد أحد المشاة وهو يعبر الطريق. يحصل أخصائي الأشعة على رأي ثانٍ مدعوم بالذكاء الاصطناعي بشأن الأشعة السينية. تشترك كل هذه الإنجازات في أساس مشترك: رؤية الكمبيوتر. إنه مجال الذكاء الاصطناعي الذي يقوم بتعليم الآلات تفسير وفهم المعلومات المرئية من العالم من حولها. في هذه المقالة، سنقوم بتفصيل كيفية عمل الرؤية الحاسوبية، واستكشاف التقنيات الرئيسية التي تقف وراءها، وإلقاء نظرة على تطبيقات العالم الحقيقي التي تغير الصناعات اليوم.
رؤية الكمبيوتر هي فرع من الذكاء الاصطناعي يمكّن أجهزة الكمبيوتر من استخلاص معلومات مفيدة من الصور ومقاطع الفيديو والمدخلات المرئية الأخرى. بعبارات بسيطة، يتعلق الأمر بمنح الآلات القدرة على "الرؤية" واتخاذ القرارات بناءً على ما يرونه.
فكر في كيفية التعرف على صديق في حشد من الناس. تلتقط عيناك الضوء، ويعالج دماغك الأشكال والألوان، ويطابقها مع الذكريات، وفي غضون أجزاء من الثانية تفكر، "هذه سارة!" يمكنك القيام بذلك دون عناء لأن دماغك قد تم تدريبه من خلال ملايين التجارب البصرية منذ ولادته.
تحاول الرؤية الحاسوبية تكرار هذه العملية، لكن المسار مختلف تمامًا. الكمبيوتر لا "يرى" بأي معنى بيولوجي. وبدلاً من ذلك، يتلقى شبكة من الأرقام التي تمثل قيم البكسل ويجب أن يتعلم، من خلال التدريب على الآلاف أو الملايين من الأمثلة المصنفة، للعثور على أنماط في تلك الأرقام التي تتوافق مع كائنات ومفاهيم ذات معنى.
بدأت رحلة الرؤية الحاسوبية في ستينيات القرن العشرين باستخدام خوارزميات بسيطة للكشف عن الحواف يمكنها تحديد الحدود في الصورة. في التسعينيات والعقد الأول من القرن الحادي والعشرين، طور الباحثون واصفات ميزات مصنوعة يدويًا مثل SIFT وHOG والتي يمكنها التعرف على الأشياء في ظل ظروف مختلفة. وصلت الثورة الحقيقية في عام 2012، عندما تفوق نموذج التعلم العميق المسمى AlexNet بشكل كبير على الأساليب التقليدية في منافسة ImageNet. ومنذ ذلك الحين، أصبح التعلم العميق هو النهج السائد، وتوسعت قدرات الرؤية الحاسوبية بوتيرة مذهلة.
الخلاصة الأساسية: تمنح رؤية الكمبيوتر الآلات القدرة على تفسير البيانات المرئية، تمامًا مثل النظام البصري البشري، ولكن باستخدام الأنماط الرياضية المستفادة من مجموعات البيانات الكبيرة بدلاً من الخلايا العصبية البيولوجية.
في جوهرها، كل صورة رقمية هي مجرد مجموعة من الأرقام. إن فهم كيفية قيام أجهزة الكمبيوتر بتحويل هذه الأرقام إلى معنى هو الخطوة الأولى لاستيعاب رؤية الكمبيوتر.
تتكون الصورة الرقمية من مربعات صغيرة تسمى البكسلات. يقوم كل بكسل بتخزين معلومات اللون. في الصورة الملونة القياسية، يحمل كل بكسل ثلاث قيم تتوافق مع قنوات الأحمر والأخضر والأزرق (RGB)، تتراوح كل منها من 0 إلى 255. تحتوي الصورة مقاس 1920×1080، على سبيل المثال، على أكثر من 2 مليون بكسل وحوالي 6 ملايين رقم فردي.
بالنسبة للكمبيوتر، الصورة ليست أكثر من مصفوفة كبيرة من هذه الأرقام. التحدي هو معرفة ما تعنيه هذه الأرقام.
لفهم صورة ما، يحتاج الكمبيوتر إلى تحديد الميزات، وهي العناصر الأساسية للمعلومات المرئية. تتضمن الميزات ذات المستوى المنخفض الحواف والزوايا والتدرجات اللونية. تجمع ميزات المستوى المتوسط هذه العناصر في القوام والأشكال. تمثل الميزات عالية المستوى كائنات كاملة مثل الوجوه أو السيارات أو الحيوانات.
في بداية الرؤية الحاسوبية، صمم المهندسون هذه الميزات يدويًا، وكتبوا قواعد واضحة مثل "ابحث عن تغيير قوي في السطوع لاكتشاف الحافة". لقد نجح هذا النهج في بيئات خاضعة للرقابة ولكنه واجه صعوبة في التعامل مع التعقيد الفوضوي لصور العالم الحقيقي.
إن التقدم الذي حققته رؤية الكمبيوتر الحديثة هو أن نماذج التعلم العميق تتعلم ميزاتها الخاصة مباشرةً من البيانات. فبدلاً من أن يقرر الإنسان الأنماط التي يجب البحث عنها، تكتشفها الشبكة العصبية تلقائيًا أثناء التدريب. وهذا هو السبب وراء قوة نماذج التعلم العميق: حيث يمكنها العثور على أنماط دقيقة ومعقدة لا يفكر أي مهندس بشري في البحث عنها.
العمود الفقري وراء معظم أنظمة رؤية الكمبيوتر الحديثة هو الشبكة العصبية التلافيفية أو CNN. دعونا نقسمها قطعة قطعة.
تخيل أن لديك عدسة مكبرة يمكنها أن تظهر لك فقط قطعة صغيرة من الصورة في كل مرة. قم بتمرير هذه العدسة المكبرة عبر الصورة بأكملها، من اليسار إلى اليمين ومن أعلى إلى أسفل، وفحص كل منطقة صغيرة. في كل موضع، يمكنك التحقق من وجود نمط معين، مثل حافة رأسية أو تدرج لوني، وتسجيل ما تجده.
وهذا هو في الأساس ما يفعله الالتواء. تنزلق شبكة صغيرة من الأرقام، تسمى الفلتر أو النواة، عبر الصورة. وفي كل موضع، يقوم بضرب قيمه بقيم البكسل المقابلة ويجمع النتيجة. الإخراج عبارة عن صورة جديدة، تسمى خريطة الميزات، والتي تسلط الضوء على المكان الذي يظهر فيه النمط الذي يبحث عنه المرشح.
تستخدم شبكة CNN العديد من المرشحات المختلفة في كل طبقة، كل منها مدرب على اكتشاف نمط مختلف. تكتشف الطبقات المبكرة ميزات بسيطة مثل الحواف والزوايا. تجمع الطبقات الأعمق بين هذه الميزات البسيطة لاكتشاف الأنماط المعقدة بشكل متزايد مثل العيون أو العجلات أو الوجوه بأكملها.
بعد الالتفاف، يمكن أن تكون خرائط المعالم كبيرة جدًا. تجميع الطبقات يؤدي إلى تقليص حجمها من خلال تلخيص مناطق صغيرة. النوع الأكثر شيوعًا، maxpooling، يأخذ نافذة صغيرة (على سبيل المثال 2×2 بكسل) ويحتفظ فقط بالقيمة القصوى، متجاهلاً الباقي.
فكر في التجميع مثل التراجع عن اللوحة. عن قرب، ترى ضربات الفرشاة الفردية. عد إلى الوراء، وستصبح التفاصيل ضبابية معًا، لكن الأشكال والتركيب العام يصبح أكثر وضوحًا. يقلل التجميع من كمية البيانات التي يتعين على الشبكة معالجتها مع الحفاظ على المعلومات الأكثر أهمية.
بعد عدة جولات من الالتفاف والتجميع، يتم تسوية الميزات المستخرجة في قائمة واحدة من الأرقام وإدخالها في طبقات متصلة بالكامل. تعمل هذه الطبقات مثل الشبكة العصبية التقليدية، حيث تجمع بين جميع الميزات لاتخاذ القرار النهائي: "تحتوي هذه الصورة على قطة" أو "الرقم الموجود في هذه الصورة هو 7".
أحد الجوانب الأكثر روعة في CNN هو كيفية بناء فهمهم بشكل تدريجي:
يعكس هذا التعلم الهرمي كيف يعتقد علماء الأعصاب أن القشرة البصرية البشرية تعالج المعلومات، من البسيطة إلى المعقدة.
لقد شكلت العديد من أبنية CNN البارزة المجال:
الخلاصة الأساسية: تعمل شبكات CNN من خلال تمرير مرشحات صغيرة عبر الصورة لاكتشاف الأنماط، والتجميع لتقليل التعقيد، وتكديس الطبقات لبناء الفهم بدءًا من الحواف البسيطة وحتى الكائنات المعقدة.
إن الرؤية الحاسوبية ليست مشكلة واحدة، بل هي مجموعة من المهام المترابطة، ولكل منها أهداف وتقنيات مختلفة.
السؤال الأبسط: ما الذي يوجد في هذه الصورة؟ بالنظر إلى الصورة، يقوم النموذج بتعيينها إلى فئة واحدة أو أكثر. "هذا هو المسترد الذهبي." "هذه صورة بالأشعة السينية للصدر تظهر الالتهاب الرئوي." التصنيف هو الأساس الذي تعتمد عليه العديد من المهام الأخرى.
يخبرك التصنيف بماذا يوجد في الصورة، ولكن اكتشاف الكائنات يخبرك أيضًا بأين. فهو يرسم مربعات محيطة حول كل كائن ويضع علامات عليها. تتضمن الخوارزميات الشائعة YOLO (أنت تنظر مرة واحدة فقط)، التي تعالج الصور في الوقت الفعلي، وSSD (كاشف اللقطة الواحدة)، الذي يوازن بين السرعة والدقة. يعد اكتشاف الكائنات أمرًا ضروريًا لتطبيقات مثل القيادة الذاتية، حيث تعد معرفة موقع كل مركبة ومشاة أمرًا بالغ الأهمية.
يذهب التجزئة إلى أبعد من ذلك، حيث يقوم بتصنيف كل بكسل في الصورة. بدلاً من المربع المحيط، يمكنك الحصول على مخطط تفصيلي دقيق لكل كائن. يقوم التجزئة الدلالية بتصنيف جميع وحدات البكسل من نفس الفئة بشكل مماثل، بينما يميز تجزئة المثيلات بين الكائنات الفردية من نفس الفئة (على سبيل المثال، فصل ثلاثة أشخاص مختلفين في حشد من الناس).
تطبيق متخصص للرؤية الحاسوبية، التعرف على الوجه يحدد هوية الشخص أو التحقق منه بناءً على وجهه. تقوم الأنظمة الحديثة بتعيين ملامح الوجه في مساحة عالية الأبعاد حيث تتجمع الوجوه المتشابهة معًا. تعمل هذه التقنية على تشغيل ميزات إلغاء قفل الهاتف وتنظيم الصور في معرض الصور الخاص بك وأنظمة الأمان.
لا تقتصر رؤية الكمبيوتر على فهم الصور فحسب، بل تتعلق أيضًا بإنشائها. شبكات الخصومة التوليدية (GANs) تضع شبكتين عصبيتين في مواجهة بعضهما البعض: إحداهما تولد الصور، والأخرى تحكم عليها، وكلاهما يتحسن بمرور الوقت. وفي الآونة الأخيرة، أنتجت نماذج الانتشار نتائج مذهلة من خلال تعلم كيفية إزالة التشويش تدريجيًا من البيانات الساكنة العشوائية حتى تظهر صورة متماسكة. هذه التقنيات هي التي تقف وراء أدوات الذكاء الاصطناعي الحديثة وأدوات تحرير الصور.
يمتد التأثير العملي لرؤية الكمبيوتر إلى كل الصناعات تقريبًا.
تعتمد السيارات ذاتية القيادة على الرؤية الحاسوبية لتفسير الطريق في الوقت الفعلي. تلتقط الكاميرات المناطق المحيطة، وتكتشف نماذج الذكاء الاصطناعي علامات الحارات وإشارات المرور والمركبات الأخرى والمشاة والعقبات. ومن خلال دمجها مع بيانات LiDAR والرادار، تمنح الرؤية الحاسوبية السيارة فهمًا تفصيليًا لبيئتها، مما يتيح اتخاذ قرارات القيادة في أجزاء من الثانية.
الرؤية الحاسوبية تُحدِث تحولًا في الرعاية الصحية. يمكن لنماذج الذكاء الاصطناعي اكتشاف الأورام من خلال تصوير الثدي بالأشعة السينية، وتحديد اعتلال الشبكية السكري من خلال فحوصات العين، والكسور الموضعية من خلال الأشعة السينية، وفي بعض الأحيان تتطابق الدقة مع أطباء الأشعة ذوي الخبرة أو تتجاوزها. هذه الأدوات لا تحل محل الأطباء. إنها بمثابة رأي ثانٍ قوي يمكنه التقاط ما قد تفوته العين البشرية، خاصة في ظل ضغط الوقت.
يمكن للمتسوقين الآن توجيه كاميرا هواتفهم نحو المنتج والعثور عليه على الإنترنت على الفور. يتم تشغيل إمكانية البحث المرئي هذه بواسطة رؤية الكمبيوتر. يستخدمه تجار التجزئة أيضًا لتتبع المخزون الآلي، ومراقبة الرفوف، وأنظمة الخروج بدون أمين صندوق حيث تتتبع الكاميرات ما يلتقطه العملاء وتحصيل الرسوم منهم تلقائيًا.
وفي أرضيات المصانع، تقوم أنظمة الرؤية الحاسوبية بفحص المنتجات بسرعات لا يمكن لأي إنسان أن يضاهيها. إنهم يكتشفون العيوب المجهرية في لوحات الدوائر، ويتحققون من وضع الملصقات بشكل صحيح، ويضمنون أن المنتجات تلبي معايير الجودة. تعمل هذه الأتمتة على تقليل الهدر وتحسين الاتساق وخفض التكاليف.
يستخدم المزارعون كاميرات محمولة على طائرات بدون طيار ورؤية كمبيوتر لمراقبة المحاصيل في الحقول الشاسعة. يمكن للذكاء الاصطناعي تحديد الأمراض النباتية من أنماط الأوراق، وتقدير غلات المحاصيل، والكشف عن مشاكل الري، وحتى توجيه معدات الحصاد المستقلة. ويساعد هذا النهج الزراعي الدقيق على إنتاج المزيد من الغذاء بموارد أقل.
تمكن الرؤية الحاسوبية أنظمة المراقبة الذكية التي يمكنها اكتشاف السلوك غير العادي، وتحديد الوصول غير المصرح به، ومراقبة المناطق الكبيرة بشكل أكثر فعالية من المشغلين البشريين الذين يشاهدون العشرات من الشاشات. تثير هذه الأنظمة أسئلة أخلاقية مهمة سنتناولها بعد ذلك.
الخلاصة الرئيسية: لقد أصبحت الرؤية الحاسوبية جزءًا لا يتجزأ من الصناعات بدءًا من الرعاية الصحية وحتى الزراعة، حيث تعمل على أتمتة المهام التي تتطلب فهمًا بصريًا وقدرات تمكينية كانت مستحيلة قبل عقد من الزمن فقط.
على الرغم من قوة الرؤية الحاسوبية، إلا أنها تأتي مصحوبة بتحديات كبيرة يجب على مجتمع الذكاء الاصطناعي معالجتها.
يكون نموذج الرؤية الحاسوبية عادلاً بقدر البيانات التي يتعلم منها. إذا كانت مجموعات بيانات التدريب تمثل تمثيلا ناقصا لبعض التركيبة السكانية، فسيكون أداء النموذج ضعيفا على تلك المجموعات. على سبيل المثال، تبين أن أنظمة التعرف على الوجه لديها معدلات خطأ أعلى بكثير للأشخاص ذوي البشرة الداكنة، كنتيجة مباشرة لبيانات التدريب غير المتوازنة.
إن القدرة على التعرف على الأفراد من خلال التعرف على الوجه تثير أسئلة خطيرة تتعلق بالخصوصية. متى يجب أن تكون المراقبة مقبولة؟ من لديه حق الوصول إلى البيانات؟ هل يمكن للأفراد الانسحاب؟ هذه هي الأسئلة التي لا يزال المجتمع يتصارع معها، وبدأت الأنظمة مثل قانون الذكاء الاصطناعي للاتحاد الأوروبي في وضع الحدود.
أظهر الباحثون أن التغييرات الصغيرة المصممة بعناية على الصورة، والتي غالبًا ما تكون غير مرئية للعين البشرية، يمكن أن تخدع نماذج الرؤية الحاسوبية وتدفعها إلى تقديم تنبؤات غير صحيحة إلى حد كبير. يمكن أن يتم تصنيف علامة التوقف التي تحتوي على عدد قليل من الملصقات الموضوعة بشكل استراتيجي بشكل خاطئ على أنها علامة حد للسرعة. تعتبر مشكلة عدم الحصانة هذه مصدر قلق بالغ للتطبيقات ذات الأهمية الحيوية للسلامة.
إن بناء أنظمة الرؤية الحاسوبية بشكل مسؤول يعني اختبار التحيز، والشفافية بشأن القيود، واحترام الخصوصية، والتصميم مع وضع الإشراف البشري في الاعتبار. التكنولوجيا وحدها لا تكفي. نحن بحاجة إلى حوكمة مدروسة وأطر أخلاقية لضمان استفادة الجميع من الرؤية الحاسوبية.
يتطور هذا المجال بسرعة، وهناك العديد من الاتجاهات التي تشكل ما سيأتي بعد ذلك.
تم تصميم بنى المحولات في الأصل للنصوص، وقد أثبتت فعاليتها بشكل ملحوظ بالنسبة للصور. تعالج محولات الرؤية (ViT) الصورة كسلسلة من التصحيحات وتستخدم آليات الاهتمام الذاتي لفهم العلاقات بين الأجزاء المختلفة من الصورة. في العديد من المعايير، تتفوق ViTs الآن على شبكات CNN التقليدية.
قد تكون الحدود الأكثر إثارة هي الذكاء الاصطناعي متعدد الوسائط، وهي النماذج التي تفهم الصور واللغة معًا. يمكن لأنظمة مثل GPT-4V وGemini من Google وصف الصور والإجابة على الأسئلة حول المحتوى المرئي والتفكير عبر النص والمرئيات في وقت واحد. يفتح هذا الاندماج بين الرؤية واللغة تطبيقات جديدة تمامًا.
تتخطى رؤية الكمبيوتر الصور المسطحة ثنائية الأبعاد. يمكن للنماذج الجديدة فهم المشاهد ثلاثية الأبعاد وتقدير العمق وإعادة بناء الكائنات ثلاثية الأبعاد من الصور الفوتوغرافية. هذه القدرة ضرورية للواقع المعزز والروبوتات ومنصات الحوسبة المكانية.
يعد تشغيل نماذج رؤية الكمبيوتر على أجهزة مثل الهواتف الذكية والطائرات بدون طيار وأجهزة استشعار إنترنت الأشياء، وليس في السحابة، أولوية متزايدة. الذكاء الاصطناعي على الجهاز يوفر أوقات استجابة أسرع وخصوصية أفضل والقدرة على العمل دون اتصال بالإنترنت. تعمل البنى النموذجية الفعالة ومسرعات الأجهزة على جعل هذا الأمر عمليًا بشكل متزايد.
الخلاصة الأساسية: يكمن مستقبل رؤية الكمبيوتر في المحولات، والفهم متعدد الوسائط، والإدراك ثلاثي الأبعاد، وتقديم نماذج قوية للأجهزة المتطورة للحصول على معلومات ذكية على الجهاز في الوقت الفعلي.
تعد الرؤية الحاسوبية واحدة من أكثر مجالات الذكاء الاصطناعي إثارة ويمكن الوصول إليها. سواء كنت مبتدئًا تمامًا ومهتمًا بكيفية "رؤية" الذكاء الاصطناعي أو مطورًا مستعدًا لبناء نماذج التعرف على الصور الخاصة بك، فهناك مسار تعليمي مناسب لك.
إذا كنت قد بدأت للتو، فإن برنامج AI Sprouts هو نقطة الدخول المثالية. من خلال المشاريع العملية والتمارين الموجهة، ستبني فهمًا بديهيًا لكيفية معالجة الذكاء الاصطناعي للصور، دون الحاجة إلى خلفية رياضية عميقة.
على استعداد للذهاب أعمق؟ يغطي برنامج AI Canopy موضوعات التعلم العميق المتقدمة، بما في ذلك بناء شبكات CNN وتدريبها، والعمل مع أطر اكتشاف الكائنات، ونشر نماذج رؤية الكمبيوتر في بيئات الإنتاج.
استكشف جميع برامجنا للعثور على البرنامج المناسب لرحلتك التعليمية. إن عالم رؤية الكمبيوتر ينمو بسرعة، ولم يكن هناك وقت أفضل للتعمق فيه.
جرّب أول درس في أي أكاديمية مجانًا، ثم افتح كل درس ومشروع وشهادة متبقية مع Pro.
أفضل 30 سؤالاً وإجابات لمقابلة الذكاء الاصطناعي لعام 2026
استعد لمقابلة العمل الخاصة بك باستخدام الذكاء الاصطناعي من خلال 30 سؤالًا أساسيًا وإجابات تفصيلية - تغطي موضوعات المبتدئين والمتوسطين والمتقدمين.
الذكاء الاصطناعي مقابل التعلم الآلي مقابل التعلم العميق: ما الفرق؟
افهم الاختلافات الواضحة بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق - مع التعريفات والدليل المرئي وجدول المقارنة والأمثلة الحقيقية.
شرح الشبكات العصبية: دليل مرئي للمبتدئين
افهم كيفية عمل الشبكات العصبية مع تفسيرات مرئية واضحة - بدءًا من الخلايا العصبية والطبقات ووصولاً إلى التدريب والانتشار العكسي. لا حاجة لدرجة الرياضيات.