صفحة ٢٢٠
في مجال رؤية الحاسب، نستخدم التعلم غير الموجه لمهام مثل تقطيع الصور واكتشاف العناصر الشاذة والبحث في الصور. انظر إلى تقطيع الصور: هي عملية تقسيم الصورة إلى أجزاء تتقاسم خصائص بصرية مشتركة. واكتشاف العناصر الشاذة يهدف إلى تحديد الأنماط أو الأحداث غير الطبيعية داخل مجموعة البيانات. وفي محرك البحث، نبني دالة تشابه تقييم مدى تقارب صورتين بناءً على خصائصهما المرئية مثل الحدود والنقش. وهناك طريقة بديلة تعتمد على فصل الصور في عناقيد، حيث يتكون كل عنقود من صور متشابهة بصرياً وتمتلك أصغر مسافة بين صورة جديدة وبؤرة تجميع تسمى المركز العنقودي. انظر إلى الشكل 4.16 الذي يوضح رؤية مركبة ذاتية القيادة من خلال تقطيع الصورة.
صفحة ٢٢١
انظر إلى الشكل 4.17، فهو يوضح عناقيد التعرف على الصور. تحتوي صورة البحث على تشابه بنسبة 40 بالمئة و50 بالمئة و90 بالمئة مع بؤر التجميع للصور الثلاث على التوالي. العنقود الثاني حصل على أعلى نسبة تشابه لأنه يشتمل على قطط من نفس سلالة ولون القطة المحددة في صورة البحث. أما العنقود الأول فيتضمن قططاً يختلف نمط ألوانها تماماً، والعنقود الثالث يمثل نوعاً مختلفاً وهو النمر. يوضح هذا الدرس ثلاث طرق مختلفة لتجميع الصور: تسطيح البيانات الأصلية وتجميعها بدون هندسة للخصائص، وتحويل البيانات باستخدام واصف الخصائص الذي يعتمد على المخطط التكراري للدرجات الموجهة، واستخدام نموذج الشبكة العصبية لتجميع البيانات الأصلية في مجموعات عنقودية بدون هندسة للخصائص.
صفحة ٢٢٢
انظر إلى المقطع البرمجي هنا لتحميل الصور ومعالجتها أولياً باستخدام مكتبات بايثون. نقرأ الدالة التي تقرأ صور مجموعة بيانات وجوه الحيوانات من مجلد المدخلات، وتعدل حجم كل منها بحيث يكون لها أبعاد الطول والعرض نفسها. تستخدم الدالة دالة تحسين تسمح للمستخدم بتحديد قائمة فئات الحيوانات التي يجب أن تؤخذ بالاعتبار. تقوم الدالة بقراءة كل صورة وتعديل حجمها وتخزينها. راقب دالة resize_images_v2، فهي تبدأ بإنشاء قوائم فارغة للصور المعدلة والعناوين وأسماء الملفات، ثم تستخدم حلقة للتنقل داخل المجلدات الفرعية، وتتحقق من أسماء المجلدات، وتستدعي دالة تغيير الحجم لكل صورة بناء على العرض والارتفاع المحددين، لتنتهي بإرجاع القوائم الثلاث.
صفحة ٢٢٣
البيانات غير المنظمة متنوعة وتحتاج إلى الكثير من الوقت والوقت الحاسوبي. لتقليل الوقت الحاسوبي، يتم تطبيق دالة تغيير الحجم على مجموعة فرعية من الصور لفئات الحيوانات. انظر إلى المقطع البرمجي العلوي، حيث نحدد المسار والأبعاد والاعتماد على عناوين محددة مثل الأسد والدجاجة والبطة وغيرها من العناوين العشرة التي سيتم استخدامها. يمكنك بسهولة تعديل المتغير للاستتركيز على فئات معينة. كما يتم استخدام دالة إعادة الترتيب لخلط البيانات حتى لا تكون قابلة للتطبيق على مهام التجميع بشكل متسلسل، حيث تربط الدالة القوائم الثلاث معاً وتعيد ترتيبها عشوائياً ثم تفصلها مرة أخرى.
صفحة ٢٢٤
تتمثل الخطوة التالية في تحويل قائمتي الصور المعدلة والعناوين إلى مصفوفات numpy باستخدام المتغيرين و لتمثيل البيانات والعناوين. انظر إلى شكل البيانات بعد التحويل: فهو يشمل ألفاً وثماني وخمس صورة، كل صورة ذات أبعاد وبثلاث قناة ألوان RGB. في قسم التجميع بدون هندسة الخصائص، نتركز محاولة التجميع الأولى على القيام بتسطيح الصور لتحويل كل منها إلى متجه أحادي البعد أرقامه رقماً. وكل قيمة عددية في هذا التنسيق تتراوح بين 0 و255، ويمكن استخدام عملية التحجيم والتسوية بتقسيم القيم على 255 لجعلها ما بين 0 و1.
صفحة ٢٢٥
يمكننا الآن تصوير البيانات بصرياً باستخدام أداة TSNEVisualizer المألوفة من مكتبة yellowbrick لتصوير العناقيد بصرياً في البيانات النصية. انظر إلى الشكل 4.18 الذي يمثل تصوير العناقيد؛ فالصورة تظهر فئات الحيوانات مختلفة ومختلطة ببعضها دون تمييز واضح ودون عناقيد واضحة. يدل ذلك على أن مجرد القيام بتسطيح بيانات الصورة الأصلية قد لا يؤدي إلى نتائج ذات جودة عالية. بعد ذلك، ستستخدم خوارزمية التجميع التكتلي لتجميع البيانات في متغير ، حيث يستورد المقطع البرمجي الأدوات المطلوبة ويصور الرسم الشجري لمجموعة البيانات.
صفحة ٢٢٦
انظر إلى الشكل 4.19، فهو الرسم الشجري الذي يصف البيانات إلى عناقيد. يكشف الرسم الشجري عنقودين كبيرين يمكن تقييمهما إلى عناقيد أصغر، ويستخدم المقطع البرمجي أداة AgglomerativeClustering للقيام بالتجميع التكتلي بإنشاء عشرة عناقيد، وهو العدد الفعل للعناقيد الموجودة في البيانات. نستخدم في النهاية مؤشرات التجانس والاكتمال والراند المعدل لتقييم جودة العناقيد الناتجة. لاحظ استخدام طريقة ربط تسمى ward في التجميع التكتلي الهرمي.
صفحة ٢٢٧
تأخذ مؤشرات التجانس والاكتمال قيماً بين 0 و1، وترتفع قيمة مؤشر التجانس إلى أقصى حد عندما تنتمي جميع نقاط العنقود الواحد العنوان الحقيقي الأساسي نفسه. وفي قسم التجميع بانتقاء الخصائص، تم توضيح أن استخدام تحويل المخطط التكراري للدرجات الموجهة لتحويل بيانات الصور إلى صيغة أكثر دلالة يؤدي إلى إنجاز أعلى بشكل ملحوظ في تصنيف الصور. انظر إلى المقطع البرمجي الذي يحول الصور إلى صور رمادية ثم يحسب خصائص المخطط التكراري لكل صورة رمادية، لنجد أن شكل البيانات المحولة أصبح عبارة عن متجّه بقيمة عددية هي خمسة وخمسون ألفاً وسبعمائة وستة وخمسون.
صفحة ٢٢٨
انظر إلى الشكل 4.20 الذي يمثل تصوير العناقيد بعد استخدام المخطط التكراري للدرجات الموجهة. يعد هذا التصوير أكثر مصداقية من الذي تم إنتاجه للبيانات غير المحولة، فعلى الرغم من وجود بعض الشوائب، فإن الشكل يظهر عناقيد واضحة ومفصولة جيداً. انظر أيضاً إلى الشكل 4.21، وهو الرسم الشجري لفئات وجوه الحيوانات المختلفة باستخدام مخطط تكراري للدرجات الموجهة، حيث يظهر تجميعاً أفضل بكثير مقارنة بالطريقة السابقة.
صفحة ٢٢٩
يقترح الرسم الشجري خمسة عناقيد، وهو بالضبط نصف العدد الصحيح البالغ عشرة عناقيد. يتبنى المقطع البرمجي التالي هذا الاقتراح ويطبق أداة AgglomerativeClustering ويظهر نتائج المؤشرات الثلاثة. تكشف النتائج أنه على الرغم من أن عدد العناقيد المستخدم كان أقل بكثير من العدد الصحيح، إلا أن النتائج أفضل بكثير من النتائج التي ظهرت عند استخدام الرقم الصحيح على البيانات غير المحولة. يوضح ذلك ذكاء التحويل بواسطة المخطط التكراري للدرجات الموجهة.
صفحة ٢٣٠
أحدث استخدام نماذج التعلم العميق ثورة في مجال تجميع الصور من خلال توفير خوارزميات قوية وعالية الدقة. تعتمد العديد من الطرائق التقليدية على خاصية المستخرجات لاستخراج معلومات ذات مغزى من صورة ما. يتميز التعلم العميق بالقدرة على تعلم تمثيلات الخصائص من البيانات الخام تلقائياً. لتحقيق ذلك، تستخدم عدة طبقات مختلفة في الشبكة العصبية بما فيها الطبقات الكثيفة وطبقات التجميع وطبقات الإقصاء. انظر إلى شرح الطبقات الكثيفة وطبقات التجميع وطبقات الإقصاء في النص لتفهم دور كل طبقة في تقليل الأبعاد ومنع فرط التخصيص.
صفحة ٢٣١
انظر إلى الشكل 4.22 الذي يوضح معمارية نموذج VGG16. يمكن استخدام مكتبة TensorFlow ومكتبة Keras للوصول إلى نموذج VGG16 واقتطاعه. تتمثل الخطوة الأولى في استيراد جميع الأدوات المطلوبة وتحميل النموذج المدرب مسبقاً وحذف الطبقة الأخيرة من المخرج باستخدام model.layers[-2].output. يطبق المقطع البرمجي التالي المعالجة الأولية الأساسية التي يتطلبها نموذج VGG16 مثل تحجيم قيم ألوان RGB لتكون بين 0 و1، ثم يضبط متغير المعالجة المتعددة لتسريع العملية.
صفحة ٢٣٢
انظر إلى الشكل 4.23، فهو يعد تصويراً مذهلاً؛ لأن التصوير الجديد يكشف عناقيد مفصولة عن بعضها بوضوح وتكاد تكون كاملة، كما أن الفصل هنا أفضل بكثير من الفصل الذي كان في البيانات التي حولت بواسطة المخطط التكراري للدرجات الموجهة. انظر إلى الشكل 4.24 الذي يمثل الرسم الشجري الهرمي لفئات وجوه الحيوانات المختلفة باستخدام نموذج VGG16، حيث يقترح الرسم الشجري أربعة عناقيد، وفي هذه الحالة يمكن للممارس أن يتجاهل الاقتراح بدلاً منه والذي يبين بوضوح وجود عشرة عناقيد.
صفحة ٢٣٣
يستخدم المقطع البرمجي التالي التجميع التكتلي ويوضح قيم المؤشرات لكل من العناقيد الأربعة والعناقيد العشرة. تثبت النتائج صحة الأدلة التي قدمها التصوير، وتؤدي التحولات التي أنتجها نموذج VGG16 إلى نتائج مذهلة إلى حد كبير لكل من العناقيد الأربعة والعناقيد العشرة. ظهرت في الواقع نتائج شبه مثالية لجميع المؤشرات الثلاثة عند استخدام عشرة عناقيد، مما يثبت أن النتائج تتوافق غالباً مع فئات الحيوانات في مجموعة البيانات. يعد نموذج VGG16 من أقدم نماذج الشبكات العصبية الترشيحية عالية الذكاء المدرب مسبقاً.
صفحة ٢٣٤
هذه صفحة تمارين تحتوي على ثلاثة أسئلة تقيس فهمك لما درسناه. في السؤال الأول، يطلب منك ذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور. في السؤال الثاني، لديك مصفوفة قيم موحدة تشمل صوراً مسطحة، ومطلوب منك إكمال المقطع البرمجي لاستخدام التجميع التكتلي في تصنيف الصور من X_flat إلى خمسة عناقيد مختلفة من خلال استيراد المكتبات وتحديد المتغيرات بالأسلوب المناسب. في السؤال الثالث، مطلوب منك عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طراِق تجميع الصور التقليدية.
صفحة ٢٣٥
هذه صفحة تمارين تكملة للأسئلة السابقة، وتحديداً السؤالين الرابع والخامس. في السؤال الرابع، لديك مصفوفة قيم موحدة تشمل صوراً مسطحة، ومطلوب منك إكمال المقطع البرمجي لاستخدام مكتبة scipy لإنشاء وتصوير رسم شجري للصورة في هذه المصفوفة عبر تحديد دالة ward بالطريقة البرمجية الصحيحة. في السؤال الخامس، مطلوب منك أن تصِف الطريقة التي يُطبَّق بها التجميع بالشبيكات العصبية في تحليل الصور بناءً على ما درسناه عن الطبقات والنموذج المقتطع.
