Table of Contents

مقدمة: لماذا التعلم العميق لتصنيف الصور؟

إن تصنيف الصور - مهمة تحديد علامة على صورة من مجموعة محددة سلفا من الفئات - أصبح حجر الزاوية في الرؤية الحديثة للحواسيب، ومن التشخيص الطبي إلى القيادة المستقلة، فإن التصنيف الدقيق يدفع عددا لا يحصى من تطبيقات العالم الحقيقي، فالتعلُّم العميق، ولا سيما الشبكات العصبية الملتوية، ما زال يحسن دقة التصنيف بشكل كبير، ويتجاوز في كثير من الأحيان الأداء على المستوى الإنساني في مجموعات البيانات المرجعية، غير أن بناء نماذج مقارنات عميقة من الخدش يتطلب توافر بيانات هامة.

وقد كان برنامج " ماتالوب " المفضل منذ وقت طويل بين المهندسين والعلماء في مجال الحاسوب الرقمي والرسم الافتراضي، حيث يوسع نطاق هذه القدرة بطبقات ما قبل البناء، ووظائف التدريب، وتسريع المعدات، وسواء كنت طالباً يستكشف الشبكات العصبية أو ينشر مهنياً تصنيفاً في الوقت الحقيقي، فإن مجموعة الأدوات تتيح تدفقاً منظماً للعمل يشمل إعداد البيانات، وتصميم النماذج، والتدريب.

لمحة عامة عن مجموعة أدوات التعلم العميق

ويوفر صندوق أدوات التعلم العميق (المعروف سابقا باسم شبكة الظواهر العصبية) مجموعة شاملة من المهام والتطبيقات لتصميم الشبكات العصبية العميقة وتدريبها وتحفيزها، ويدعم مجموعة واسعة من البنى، منها:

  • Convolutional Neural Networks (CNNs)] for image and spatial data.
  • Recurrent Neural Networks (RNNs)] and LSTMs for sequence and time-series data.
  • Transformer networks] for natural language processing and vision tasks.
  • Generative Adversarial Networks (GANs)] for image generation.

ويضم هذا الإطار النظام الإيكولوجي الأوسع نطاقاً الذي وضعته وزارة الشؤون الإدارية، بما في ذلك مجموعة أدوات تجهيز الصور، وجهاز تحديد رؤية الحاسوب، وجهاز الحاسوب الموازي، الذي يتيح التوصل إلى حلول نهائية، وتشمل السمات الرئيسية التي تعود بالفائدة على تصنيف الصور ما يلي:

  • Pre-trained models] such as AlexNet, VGG-16/19, GoogLeNet, ResNet, Inception, and EfficientNet, which can be used for transfer learning or feature extraction.
  • Data increaseation] through the object, allowing on-the-fly transformations like rotation, scaling, translation, and reflection to artificially expansion training sets and reduce overfitting.
  • Automatic differentiation] and GPU support using Parallel Computing Toolbox and MATLAB’s built-in ] for faster training.
  • Visualization tools] like ] and to inspect layer structures, activation maps, and training progress.
  • Deployment options] including code generation, export to TensorFlow or ONNX, and direct integration with embedded equipment via MATLAB Coder.

فهم الشبكات العصبية للثورة لتصنيف الصور

وتكمن هذه الشبكات في صميم نظم تصنيف الصور في شبكة CNN، وتتعلم السمات الهرمية: فأجهزة الكشف المبكر عن الحواف والمنسوجات، وتعترف الطبقات المتوسطة بالشكل والأجزاء، وتضع طبقات أعمق الأشياء، وتطبق مجموعة التعلم العميق التابعة للشركة جميع أنواع الطبقات القياسية - المكون من مجموعة الأدوات الحديثة، وجهاز تحديد المزودة بمقياس للتسرب، وجهاز ابتكار متصل بالشبكة.

لماذا تستخدم "ماتلوب" لتصميم "سي إن إن"؟

وبالمقارنة مع أطر مثل تينسورفلو أو بي تورتش، تقدم وزارة الشؤون الإدارية وشؤون العبادات عدة مزايا فريدة:

  • Interactive environment]: The app allows drag-and-drop building of networks, which is ideal for beginners or rapid prototyping.
  • Integrated debugging: يمكنك أن تخطو من خلال التدريب على التكرار وتفتيش التنشيط على أي طبقة، وتبسيط التشخيص النموذجي.
  • Memory efficiency]: MATLAB automatically handles GPU memory, avoiding common out-of-memory errors that plague manual coding.
  • Built-in metric trackers: Training automatically logs accuracy, loss, and validation metrics, which can be plotted in real-time.

إعداد البيانات: مؤسسة نظام تفصيلي ناجح

ولا يهم مدى تطور النموذج، يؤدي ضعف البيانات إلى ضعف الأداء، وتوفر وزارة الشؤون الإدارية وشؤون الإدارة العامة وخدمات الدعم عدة مرافق لإدارة مجموعات بيانات الصور بكفاءة.

باستخدام

The function is the standard way to load large collections of images. It automatically labels images based on folder names, supports splitting into training, validation, and test sets, and can read images from disk in batches to avoid memory overflow.

imds = imageDatastore('path/to/images', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[imdsTrain, imdsValidation, imdsTest] = splitEachLabel(imds, 0.7, 0.15, 'randomized');

Data Augmentation with

ولتحسين التعميم، لا سيما مع البيانات المحدودة، يمكن أن تطبقوا تحولات عشوائية أثناء التدريب.

  • تناوب الرفات (0-360 درجة)
  • الانعكاسات الأفقية/الفضائية
  • توسيع نطاق درجتي الخدمة والترجمة
  • تسويات الأجور والمقارنة

وتطبق هذه التحولات في الطليعة، بمعنى أن النموذج يرى صورة مختلفة اختلافا طفيفا لكل خندق دون تخزين نسخ متعددة على قرص، وهذا يقلل كثيرا من مغبة العرض ويحسن من القوة.

معالجة مجموعات البيانات المتوازنة

وكثيراً ما تكون مجموعات بيانات العالم الحقيقي غير متكافئة في توزيع الفئات، وتقدم هذه البيانات طبقات تصنيف مرجحة (]) ويمكنها أن تُحسب الأوزان الصفية تلقائياً من ترددات مجموعة التدريب، ويمكنك بدلاً من ذلك أن تُبالغ في أخذ دروس الأقليات باستخدام مخزن بيانات معتاد أو ممتلكات من خيار التدريب [().

التعلم في مجال النقل: التعجيل بالتنمية مع النماذج السابقة التدريب

ونادرا ما يكون تدريب شبكة معلومات أساسية من الصفر على مجموعة بيانات صغيرة أمرا عمليا، ويعزز التعلم من النقل نموذجا سبق تدريبه على مجموعة بيانات كبيرة (مثلا شبكة المعلومات) ويضعها في موقع مناسب لمهمة جديدة، ويجعل برنامج ماتالوب هذه العملية عملية مباشرة بشكل استثنائي.

إقامة شبكة ما قبل التدريب

Use or ], , etc. these functions download the model automatically if not already present on disk. The networks are returned as a or ] object, maintaining weights and layer structure.

تحديث الشبكة من أجل مهمة تقليدية

الطبقات النهائية لشبكة ما قبل التدريب مصممة لتصنيف شبكة إيمغيت من الدرجة 1000 لتكييفها مع عدد الفصول (يقول 5)

lgraph = layerGraph(net);
newLayers = [
 fullyConnectedLayer(numClasses, 'Name', 'fc_new', 'WeightLearnRateFactor', 10, 'BiasLearnRateFactor', 10)
 softmaxLayer('Name', 'softmax_new')
 classificationLayer('Name', 'classoutput_new')
];
lgraph = replaceLayer(lgraph, 'fc1000', newLayers(1));
lgraph = replaceLayer(lgraph, 'fc1000_softmax', newLayers(2));
lgraph = replaceLayer(lgraph, 'ClassificationLayer_fc1000', newLayers(3));

غرامة تونينغ ضد استئصال الأعضاء التناسلية

استراتيجيتان مشتركتان:

  • Feature extraction[Feature extraction]: Freeze the early layers (set their learning rate to 0) and only train the new classification layers. Useful when the new dataset is small and similar to the original dataset.
  • Fine-tuning]: تدريب جميع الطبقات ذات معدل تعليمي صغير، أفضل عندما تكون مجموعة البيانات الجديدة أكبر أو مختلفة اختلافا كبيرا عن شبكة المعلوماتية، تتيح لكم وزارة التعليم والتدريب المهني تحديد عوامل معدل التعلم لكل طبقة (على النحو المبين أعلاه) للتحكم في مدى تكيف كل طبقة.

النُهج العملية لتعلم النقل في مجال النقل

  • دائماً ما تُعادل الصور إلى حجم المدخلات المتوقع من الشبكة السابقة التدريب (مثلاً، 224x224 لشبكة ريزنيت)، تستخدم من أجل إعادة تكييفها بكفاءة أثناء التدريب.
  • استخدام بيانات التحقق لرصد المبالغة في الملاءمة؛ وإذا كانت صحون دقة التحقق في وقت مبكر، فإن ذلك يقلل من عدد برامج التدريب.
  • التجارب مع مختلف البنيانات السابقة التدريب، نماذج أخف مثل شبكة موبيل أسرع ولكنها أقل دقة؛ نماذج أعمق مثل شبكة ريزنيت-152 توفر قدرا أكبر من الدقة بتكلفة حسابية.

تدريب المصنف: الخيارات، المقاييس المائية، الرصد

وبمجرد تحديد الشبكة وإعداد البيانات، تدعو ] مع مخزن البيانات، ورسم الطبقات، وخيارات التدريب.

خيارات التدريب التأسيسية

The function lets you control virtually every aspect of training:

  • آدم يقترب أكثر من التأقلم
  • InitialLearnRate]: Typically 1e-4 for fine-tuning, 1e-3 for training fromnch.
  • MiniBatchSize]: يعتمد على ذاكرة GPU؛ والقيم المشتركة 32 أو 64 أو 128.
  • MaxEpochs]: عدد ممرات كاملة من خلال بيانات التدريب، بدءاً من 10 إلى 20 للتحسين.
  • ValidationData]: Provide a validation datastore to monitor performance each epoch.
  • Validation Frequency: كم مرة بين عمليات التحقق من صحة المعلومات.
  • "العرض التدريبي لرؤية مؤامرة حية من الدقة والخسارة"
  • LearnRateSchedule : إسقاط معدل التعلم بعد عدد معين من الأكواب (مثل، 'الطقوس').
  • L2Regularization]: Weight decay to prevent overfitting (default 1e-4).

الرصد

وتبين مؤامرة التدريب التي وضعتها شركة MATLAB على السواء التدريب ودقة/خسائر التحقق على مر الزمن، وإذا توقفت دقة التحقق عن التحسن بينما تستمر دقة التدريب، فإن النموذج يبالغ في فهمه ويضيف التسرب، ويقلص حجم الشبكة، أو يستخدم زيادة أقوى، كما يسجل صندوق الأدوات معلومات تدريبية في هيكل يمكن تحليله لاحقاً.

التوقف المبكر والتفتيش

وفي حين أنه لا يوجد في الداخل مباشرة، يمكن أن تنفذوا الوقف المبكر باستخدام ممتلكات خيارات التدريب، وكبديل لذلك، تستخدمون خيار لإنقاذ الشبكات الوسيطة كل عدد ثابت من الأكواب، بما يكفل عدم فقدانكم للتقدم.

تقييم الأداء النموذجي

بعد التدريب، عليك التحقق من أن النموذج يعمم جيداً على البيانات غير المرئية، ويوفر برنامج تبادل البيانات والتقييمات المتعددة أدوات التقييم.

صور الاختبارات المصنفة

YPred = classify(net, imdsTest);
YTest = imdsTest.Labels;
accuracy = sum(YPred == YTest) / numel(YTest);

مصفوفة ومقاييس ما بعد الكلاس

استخدام للتصوير في الأماكن التي يرتكب فيها النموذج أخطاء، لأغراض الدقة والتذكر والرسم البياني F1-score، استخدام:

confMat = confusionmat(YTest, YPred);

ثم تُحسب القياسات يدوياً أو تستخدم ناتج ] مع خيار للحصول على درجات التنبؤ لتحليل ROC.

ROC و AUC

بالنسبة للتصنيف الثنائي أو السيناريوهات التي تُجرى على أساس كل خمس سنوات، يمكنك تخطيط منحنىات تشغيل جهاز استقبال باستخدام وهذا أمر مهم بصفة خاصة في التصوير الطبي حيث تُعنى الأمور بضبط العتبة.

النشر: أخذ نموذج الإنتاج

ويمتد قوام القوة إلى ما بعد وضع النماذج - وهو يوفر مسارات متعددة لنشر نماذج مدربة في تطبيقات العالم الحقيقي.

تصديرها إلى أطر أخرى

  • TensorFlow/Keras]: Use to export to ONNX format, then convert to TensorFlow.
  • Py Torch]: Similar ONNX export path.

MATLAB Coder and GPU Coder

(ج) إصدار رمز احتياطي من طراز C/C++ من شبكتكم التدريبية باستخدام مدون MATLAB، وهو مثالي لإدراج مصنفين في نظام منضدي أو مدمج دون اشتراط وقت تشغيلي من طراز MATLAB.

MATLAB Compiler and Production Server

حزموا المُصنف كمكتبة مستقلة قابلة للتنفيذ أو مكتبة مشتركة، وسمح لكم موظف إنتاج MATLAB بنشر نماذج كمُحدّدات مُحدّدة يمكن استهلاكها بواسطة تطبيقات الإنترنت أو التطبيقات المتنقلة أو برامجيات المشاريع.

نشر برنامج " هارد واير "

وبدعم من صندوق التعلم العميق لمؤسسة ARM Cortex-A وNVIDIA Jetson، يمكنك نشر الشبكات المثلى مباشرة للنظم المدمجة، ويمكن أن تولد وظيفة شفرة مجهزة بالمعدات تلائم البيئات التي تعاني من نقص الموارد.

التطبيقات العالمية الحقيقية ودراسات الحالات الإفرادية

وقد استخدم المهندسون والباحثون مجموعة أدوات التعلم العميق التي وضعتها شركة MATLAB لتصنيف الصور عبر مجالات عديدة:

  • Medical imaging]: Classifying chest X-rays for pneumonia detection, retinal fundus images for diabetic retinopathy grading, and histopathology slips for cancer diagnosis.
  • Autonomous driving]: Recognizing traffic signs, pedestrians, and lane markings using mobile networks deployed on vehicle embedded systems.
  • Agriculture]: Identifying plant diseases from leaf images, sorting fruits by ripeness.
  • Manufacturing]: Visual inspection for defects on assembly lines, often with real-time inference using GPU Coder.
  • Security]: التعرف على الوجه وكشف الجسم في لقطات المراقبة.

For concrete examples, see MATLAB’s official transfer learning tutorial and ]this article on deep learning in medical imaging.

مقارنة ماتالوب مع أطر التعلم العميق الأخرى

وفي حين أن برنامج " ماتا لاب " ليس منفتحا، فإن مجموعة أدواته تتيح إدماجا غير متناظر للمهندسين الذين يعملون بالفعل في النظام الإيكولوجي لبرنامج ماتا لاب، أما بالنسبة للأفرقة التي تحتاج إلى حلول حرة ومفتوحة المصدر، فقد يفضل تين تينسور فلو أو بي تورتش، غير أن مزايا برنامج ماتا لاب تشمل ما يلي:

  • Ease of use]: No need to manage Python environments, version conflicts, or dependency hell.
  • Simulink integration]: بالنسبة للنموذج على مستوى المنظومة، يمكنك أن تدمج لبنات التعلم العميق في محاكاة أكبر.
  • Built-in signal and image processing]: يمكن كتابة خطوات التجهيز الأولي بنفس اللغة دون استيراد مكتبات إضافية.

For projects where collaboration with non-MATLAB users is critical, exporting to ONNX ensures interoperability. Learn more about ONNX export here].

الشلالات المشتركة وكيفية تجنبها

  • Input size mismatch]: دائما التحقق من أن طبقة المدخلات تتطابق مع حجم صورك.
  • Overfitting]: زيادة التركة، إضافة طبقات الانقطاع، أو تخفيض قدرة الشبكة، أو استخدام نظام أقوى.
  • Slow training]: Ensure you have a compatible GPU and that MATLAB is using it ( check with ). Enable parallel workers if you have multiple GPUs.
  • Memory errors]: Reduce mini-batch size or use صفائف لمجموعات البيانات خارج الذاكرة.
  • Ignoring class imbalance]:]

المواضيع المتقدمة: لوحات التدريب على الجمارك والبحوث

وبالنسبة للباحثين الذين يدفعون أحدث ما في الأمر، تدعم وزارة الشؤون الإدارية دورات تدريبية مخصصة تستخدم فيها أجساماً وتميزات تلقائية، ويمكنك تنفيذ طبقات جديدة أو وظائف خسارة أو إجراءات تدريب (مثل التعلم الميثان أو التدريب على الخصم).() وتقدّم أمثلة على ذلك وثائق عن حلقات التدريب العرفي .

خاتمة

ويتيح صندوق الأدوات للتعلم العميق التابع لوزارة الشؤون الاقتصادية والاجتماعية بيئة قوية وسهلة الاستعمال لمعالجة مشاكل تصنيف الصور، ومن مرحلة التعلم المباشر إلى الهندسة العرفية، فإنه يبسط كل خطوة مع الحفاظ على المرونة اللازمة للتطبيقات المتقدمة، ويجمع تكامله مع النظام الإيكولوجي الأوسع نطاقاً في وزارة التجارة الدولية في مجال الخدمات الإدارية مع خيارات متعددة في مجال النشر، مما يجعله خياراً ممتازاً للبحث الأكاديمي والنشر الصناعي.