كيفية استخدام البيانات المصنفة labeled data للصور في تعلم الآلة

قبل تدريب النموذج، تحتاج إلى تحويل الصور إلى بيانات رقمية ليتمكن للنموذج من فهمها، وذلك عبر تحويل كل صورة إلى مصفوفة أرقام، حيث يمثل كل بكسل في الصورة قيمة رقمية.

وطالما أنك قمت بتحميل الـ Data set من Kaggle إذن تلك البيانات Labeled، 

وتتوفر عدة طرق ونماذج يمكن استخدامها لتصنيف الصور واستخراج الـ features، لكن أشهرها وأكثرها فعالية هي الشبكات العصبية العميقة (Deep Neural Networks)، وخاصة الشبكات العصبية التلافيفية (Convolutional Neural Networks - CNNs) التي تُستخدم بكثرة في تحليل الصور.

وتحتاج إلى تجهيز البيانات قبل إدخالها في النموذج، وذلك يتضمن:

• تغيير حجم الصور بحيث تكون كلها بنفس الأبعاد.
• تطبيع الصور (Normalization) لتسريع عملية التدريب.
• تقسيم البيانات إلى مجموعات تدريب وتحقق validation واختبار.

ولو تستخدم الشبكات العصبية التلافيفية (CNNs)، فتستطيع استخدام مكتبات مثل TensorFlow أو PyTorch لبناء النموذج.

للتوضيح إليك مثال مبسط لبناء نموذج CNN باستخدام Keras (واجهة برمجية لـ TensorFlow):

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(height, width, channels)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(1, activation='sigmoid')  # لأن لديك فئتين فقط: رجل أو امرأة
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

وتستطيع تدريب النموذج باستخدام بيانات التدريب:

model.fit(train_images, train_labels, epochs=10, validation_data=(validation_images, validation_labels))

بعد التدريب، بإمكانك تقييم النموذج باستخدام بيانات الاختبار:

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

وللعلم، بدلاً من البدء من الصفر تستطيع استخدام نموذج مُدرب بالفعل والبناء عليه مثل VGG16 و ResNet50 وهي شبكات عصبية ضخمة تم تدريبها على ملايين الصور لتمييز آلاف الأشياء (حيوانات، سيارات، أشكال، ألوان، ...إلخ)، وتلك الشبكات أصبحت خبيرة في استخراج الـ Features الهامة من الصور.

أي نزيل الطبقات الأخيرة المسؤولة عن التصنيف النهائي، ونحتفظ بالطبقات الأولى التي تعلمت استخراج الـ Features الهامة من الصور.

بتاريخ 16 ساعة قال Mustafa Suleiman:

قبل تدريب النموذج، تحتاج إلى تحويل الصور إلى بيانات رقمية ليتمكن للنموذج من فهمها، وذلك عبر تحويل كل صورة إلى مصفوفة أرقام، حيث يمثل كل بكسل في الصورة قيمة رقمية.

وطالما أنك قمت بتحميل الـ Data set من Kaggle إذن تلك البيانات Labeled، 

وتتوفر عدة طرق ونماذج يمكن استخدامها لتصنيف الصور واستخراج الـ features، لكن أشهرها وأكثرها فعالية هي الشبكات العصبية العميقة (Deep Neural Networks)، وخاصة الشبكات العصبية التلافيفية (Convolutional Neural Networks - CNNs) التي تُستخدم بكثرة في تحليل الصور.

وتحتاج إلى تجهيز البيانات قبل إدخالها في النموذج، وذلك يتضمن:

• تغيير حجم الصور بحيث تكون كلها بنفس الأبعاد.
• تطبيع الصور (Normalization) لتسريع عملية التدريب.
• تقسيم البيانات إلى مجموعات تدريب وتحقق validation واختبار.

ولو تستخدم الشبكات العصبية التلافيفية (CNNs)، فتستطيع استخدام مكتبات مثل TensorFlow أو PyTorch لبناء النموذج.

للتوضيح إليك مثال مبسط لبناء نموذج CNN باستخدام Keras (واجهة برمجية لـ TensorFlow):

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(height, width, channels)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(1, activation='sigmoid')  # لأن لديك فئتين فقط: رجل أو امرأة
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

وتستطيع تدريب النموذج باستخدام بيانات التدريب:

model.fit(train_images, train_labels, epochs=10, validation_data=(validation_images, validation_labels))

بعد التدريب، بإمكانك تقييم النموذج باستخدام بيانات الاختبار:

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

وللعلم، بدلاً من البدء من الصفر تستطيع استخدام نموذج مُدرب بالفعل والبناء عليه مثل VGG16 و ResNet50 وهي شبكات عصبية ضخمة تم تدريبها على ملايين الصور لتمييز آلاف الأشياء (حيوانات، سيارات، أشكال، ألوان، ...إلخ)، وتلك الشبكات أصبحت خبيرة في استخراج الـ Features الهامة من الصور.

أي نزيل الطبقات الأخيرة المسؤولة عن التصنيف النهائي، ونحتفظ بالطبقات الأولى التي تعلمت استخراج الـ Features الهامة من الصور.

اتمام الف شكرا لحضراتك