IoT-For-Beginners/translations/ar/4-manufacturing/lessons/1-train-fruit-detector

تدريب كاشف جودة الفاكهة

رسم توضيحي بواسطة نيتيا ناراسيمهان. انقر على الصورة للحصول على نسخة أكبر.

يقدم هذا الفيديو نظرة عامة على خدمة Azure Custom Vision، وهي الخدمة التي سيتم تناولها في هذا الدرس.

🎥 انقر على الصورة أعلاه لمشاهدة الفيديو

اختبار ما قبل المحاضرة

اختبار ما قبل المحاضرة

المقدمة

الارتفاع الأخير في الذكاء الاصطناعي (AI) والتعلم الآلي (ML) يوفر مجموعة واسعة من الإمكانيات للمطورين اليوم. يمكن تدريب نماذج التعلم الآلي للتعرف على أشياء مختلفة في الصور، بما في ذلك الفاكهة غير الناضجة، ويمكن استخدام ذلك في أجهزة إنترنت الأشياء للمساعدة في فرز المنتجات أثناء الحصاد أو أثناء المعالجة في المصانع أو المستودعات.

في هذا الدرس، ستتعلم عن تصنيف الصور - استخدام نماذج التعلم الآلي للتمييز بين صور أشياء مختلفة. ستتعلم كيفية تدريب مصنف صور للتمييز بين الفاكهة الجيدة والسيئة، سواء كانت غير ناضجة أو ناضجة بشكل زائد، أو مصابة بكدمات، أو فاسدة.

في هذا الدرس سنتناول:

• استخدام الذكاء الاصطناعي والتعلم الآلي لفرز الطعام
• تصنيف الصور عبر التعلم الآلي
• تدريب مصنف الصور
• اختبار مصنف الصور الخاص بك
• إعادة تدريب مصنف الصور الخاص بك

استخدام الذكاء الاصطناعي والتعلم الآلي لفرز الطعام

إطعام سكان العالم مهمة صعبة، خاصة بسعر يجعل الطعام في متناول الجميع. واحدة من أكبر التكاليف هي العمالة، لذلك يتجه المزارعون بشكل متزايد إلى الأتمتة وأدوات مثل إنترنت الأشياء لتقليل تكاليف العمالة. الحصاد اليدوي مكلف للغاية (وغالبًا ما يكون عملًا شاقًا)، ويتم استبداله بالآلات، خاصة في الدول الغنية. على الرغم من التوفير في تكلفة استخدام الآلات للحصاد، هناك جانب سلبي - القدرة على فرز الطعام أثناء الحصاد.

لا تنضج جميع المحاصيل بشكل متساوٍ. الطماطم، على سبيل المثال، قد تحتوي على بعض الثمار الخضراء على الكرمة عندما تكون الأغلبية جاهزة للحصاد. على الرغم من أن حصاد هذه الثمار مبكرًا يعتبر هدرًا، إلا أنه أرخص وأسهل للمزارع أن يحصد كل شيء باستخدام الآلات ويتخلص من المنتجات غير الناضجة لاحقًا.

✅ ألقِ نظرة على الفواكه أو الخضروات المختلفة، سواء كانت تنمو بالقرب منك في المزارع أو في حديقتك، أو في المتاجر. هل كلها بنفس درجة النضج، أم ترى اختلافًا؟

مع تطور الحصاد الآلي، انتقل فرز المنتجات من الحقل إلى المصنع. كانت الأغذية تسير على أحزمة ناقلة طويلة مع فرق من الأشخاص يفرزون المنتجات ويزيلون أي شيء لا يفي بمعايير الجودة المطلوبة. أصبح الحصاد أرخص بفضل الآلات، ولكن لا تزال هناك تكلفة لفرز الطعام يدويًا.

التطور التالي كان استخدام الآلات للفرز، سواء كانت مدمجة في الحصادة أو في مصانع المعالجة. الجيل الأول من هذه الآلات استخدم مستشعرات بصرية للكشف عن الألوان، حيث تتحكم في المشغلات لدفع الطماطم الخضراء إلى سلة النفايات باستخدام أذرع أو نفثات هواء، تاركة الطماطم الحمراء لتستمر في شبكة من الأحزمة الناقلة.

في هذا الفيديو، بينما تسقط الطماطم من حزام ناقل إلى آخر، يتم اكتشاف الطماطم الخضراء ودفعها إلى سلة باستخدام أذرع.

✅ ما هي الظروف التي تحتاجها في المصنع أو في الحقل لكي تعمل هذه المستشعرات البصرية بشكل صحيح؟

التطورات الأحدث لهذه الآلات الفرز تستفيد من الذكاء الاصطناعي والتعلم الآلي، باستخدام نماذج مدربة للتمييز بين المنتجات الجيدة والسيئة، ليس فقط من خلال اختلافات اللون الواضحة مثل الطماطم الخضراء مقابل الحمراء، ولكن من خلال اختلافات أكثر دقة في المظهر التي قد تشير إلى المرض أو الكدمات.

تصنيف الصور عبر التعلم الآلي

البرمجة التقليدية تعتمد على أخذ البيانات وتطبيق خوارزمية عليها للحصول على نتائج. على سبيل المثال، في المشروع الأخير، أخذت إحداثيات GPS وحدود جغرافية، وطبقت خوارزمية مقدمة من Azure Maps، وحصلت على نتيجة تحدد ما إذا كانت النقطة داخل أو خارج الحدود الجغرافية. تدخل المزيد من البيانات، تحصل على المزيد من النتائج.

التعلم الآلي يعكس هذا - تبدأ بالبيانات والمخرجات المعروفة، وتتعلم الخوارزمية من البيانات. يمكنك بعد ذلك أخذ هذه الخوارزمية المدربة، التي تسمى نموذج التعلم الآلي أو النموذج، وإدخال بيانات جديدة والحصول على نتائج جديدة.

🎓 عملية تعلم خوارزمية التعلم الآلي من البيانات تسمى التدريب. المدخلات والمخرجات المعروفة تسمى بيانات التدريب.

على سبيل المثال، يمكنك إعطاء نموذج ملايين الصور لموز غير ناضج كبيانات تدريبية، مع تحديد المخرجات التدريبية كـ غير ناضج، وملايين الصور لموز ناضج كبيانات تدريبية مع تحديد المخرجات كـ ناضج. ستقوم خوارزمية التعلم الآلي بإنشاء نموذج بناءً على هذه البيانات. يمكنك بعد ذلك إعطاء هذا النموذج صورة جديدة لموزة وسيقوم بتوقع ما إذا كانت الصورة الجديدة لموزة ناضجة أو غير ناضجة.

🎓 نتائج نماذج التعلم الآلي تسمى التوقعات

نماذج التعلم الآلي لا تعطي إجابة ثنائية، بل تعطي احتمالات. على سبيل المثال، قد يتم إعطاء نموذج صورة لموزة ويتوقع أنها ناضجة بنسبة 99.7% وغير ناضجة بنسبة 0.3%. ستقوم الكود الخاص بك باختيار أفضل توقع وتحديد أن الموزة ناضجة.

النموذج المستخدم للكشف عن الصور مثل هذا يسمى مصنف الصور - يتم إعطاؤه صورًا مع تسميات، ثم يصنف الصور الجديدة بناءً على هذه التسميات.

💁 هذا تبسيط، وهناك العديد من الطرق الأخرى لتدريب النماذج التي لا تحتاج دائمًا إلى مخرجات مسماة، مثل التعلم غير المراقب. إذا كنت ترغب في معرفة المزيد عن التعلم الآلي، تحقق من التعلم الآلي للمبتدئين، منهج مكون من 24 درسًا حول التعلم الآلي.

تدريب مصنف الصور

لتدريب مصنف الصور بنجاح، تحتاج إلى ملايين الصور. كما اتضح، بمجرد أن يكون لديك مصنف صور مدرب على ملايين أو مليارات الصور المختلفة، يمكنك إعادة استخدامه وإعادة تدريبه باستخدام مجموعة صغيرة من الصور والحصول على نتائج رائعة، باستخدام عملية تسمى التعلم بالنقل.

🎓 التعلم بالنقل هو عملية نقل التعلم من نموذج تعلم آلي موجود إلى نموذج جديد بناءً على بيانات جديدة.

بمجرد أن يتم تدريب مصنف الصور على مجموعة واسعة من الصور، فإن داخله يصبح جيدًا في التعرف على الأشكال والألوان والأنماط. يسمح التعلم بالنقل للنموذج باستخدام ما تعلمه بالفعل في التعرف على أجزاء الصور، واستخدام ذلك للتعرف على صور جديدة.

يمكنك التفكير في هذا كأنه كتب أشكال للأطفال، حيث بمجرد أن تتمكن من التعرف على نصف دائرة، مستطيل ومثلث، يمكنك التعرف على قارب شراعي أو قطة بناءً على تكوين هذه الأشكال. يمكن لمصنف الصور التعرف على الأشكال، ويعلمه التعلم بالنقل ما هو التكوين الذي يشكل قاربًا أو قطة - أو موزة ناضجة.

هناك مجموعة واسعة من الأدوات التي يمكن أن تساعدك في القيام بذلك، بما في ذلك الخدمات السحابية التي يمكن أن تساعدك في تدريب النموذج الخاص بك، ثم استخدامه عبر واجهات برمجة التطبيقات على الويب.

💁 تدريب هذه النماذج يتطلب الكثير من قوة الحوسبة، عادةً عبر وحدات معالجة الرسومات (GPUs). نفس الأجهزة المتخصصة التي تجعل الألعاب على Xbox الخاص بك تبدو مذهلة يمكن استخدامها أيضًا لتدريب نماذج التعلم الآلي. باستخدام السحابة، يمكنك استئجار وقت على أجهزة كمبيوتر قوية مع وحدات معالجة الرسومات لتدريب هذه النماذج، مما يتيح لك الوصول إلى قوة الحوسبة التي تحتاجها، فقط للوقت الذي تحتاجه.

الرؤية المخصصة

الرؤية المخصصة هي أداة سحابية لتدريب مصنفي الصور. تتيح لك تدريب مصنف باستخدام عدد قليل فقط من الصور. يمكنك تحميل الصور عبر بوابة ويب، واجهة برمجة التطبيقات أو SDK، مع إعطاء كل صورة علامة تحتوي على تصنيف تلك الصورة. ثم تقوم بتدريب النموذج، واختباره لمعرفة مدى أدائه. بمجرد أن تكون راضيًا عن النموذج، يمكنك نشر إصدارات منه يمكن الوصول إليها عبر واجهة برمجة التطبيقات أو SDK.

💁 يمكنك تدريب نموذج رؤية مخصص باستخدام 5 صور فقط لكل تصنيف، ولكن المزيد أفضل. يمكنك الحصول على نتائج أفضل مع ما لا يقل عن 30 صورة.

الرؤية المخصصة هي جزء من مجموعة أدوات الذكاء الاصطناعي من Microsoft تسمى خدمات الإدراك. هذه أدوات ذكاء اصطناعي يمكن استخدامها إما بدون أي تدريب، أو مع كمية صغيرة من التدريب. تشمل هذه الأدوات التعرف على الكلام والترجمة، فهم اللغة وتحليل الصور. تتوفر هذه الأدوات مع طبقة مجانية كخدمات في Azure.

💁 الطبقة المجانية أكثر من كافية لإنشاء نموذج، تدريبه، ثم استخدامه لأعمال التطوير. يمكنك قراءة حدود الطبقة المجانية على صفحة حدود وحصص الرؤية المخصصة على مستندات Microsoft.

المهمة - إنشاء مورد خدمات الإدراك

لاستخدام الرؤية المخصصة، تحتاج أولاً إلى إنشاء موردين لخدمات الإدراك في Azure باستخدام Azure CLI، أحدهما لتدريب الرؤية المخصصة والآخر للتنبؤ بالرؤية المخصصة.

1. قم بإنشاء مجموعة موارد لهذا المشروع تسمى fruit-quality-detector.

2. استخدم الأمر التالي لإنشاء مورد تدريب رؤية مخصصة مجاني:

   az cognitiveservices account create --name fruit-quality-detector-training \
                                       --resource-group fruit-quality-detector \
                                       --kind CustomVision.Training \
                                       --sku F0 \
                                       --yes \
                                       --location <location>
   

   استبدل <location> بالموقع الذي استخدمته عند إنشاء مجموعة الموارد.

   سيقوم هذا بإنشاء مورد تدريب رؤية مخصصة في مجموعة الموارد الخاصة بك. سيتم تسميته fruit-quality-detector-training وسيستخدم SKU F0، وهو الطبقة المجانية. الخيار --yes يعني أنك توافق على الشروط والأحكام لخدمات الإدراك.

💁 استخدم SKU S0 إذا كان لديك حساب مجاني بالفعل يستخدم أيًا من خدمات الإدراك.

1. استخدم الأمر التالي لإنشاء مورد تنبؤ رؤية مخصصة مجاني:

   az cognitiveservices account create --name fruit-quality-detector-prediction \
                                       --resource-group fruit-quality-detector \
                                       --kind CustomVision.Prediction \
                                       --sku F0 \
                                       --yes \
                                       --location <location>
   

   استبدل <location> بالموقع الذي استخدمته عند إنشاء مجموعة الموارد.

   سيقوم هذا بإنشاء مورد تنبؤ رؤية مخصصة في مجموعة الموارد الخاصة بك. سيتم تسميته fruit-quality-detector-prediction وسيستخدم SKU F0، وهو الطبقة المجانية. الخيار --yes يعني أنك توافق على الشروط والأحكام لخدمات الإدراك.

المهمة - إنشاء مشروع مصنف الصور

1. افتح بوابة الرؤية المخصصة على CustomVision.ai، وقم بتسجيل الدخول باستخدام حساب Microsoft الذي استخدمته لحساب Azure الخاص بك.

2. اتبع قسم إنشاء مشروع جديد في دليل البدء السريع لبناء مصنف على مستندات Microsoft لإنشاء مشروع رؤية مخصصة جديد. قد يتغير واجهة المستخدم وهذه المستندات هي المرجع الأكثر تحديثًا دائمًا.

   قم بتسمية مشروعك fruit-quality-detector.

   عند إنشاء مشروعك، تأكد من استخدام مورد fruit-quality-detector-training الذي أنشأته سابقًا. استخدم نوع مشروع تصنيف، نوع تصنيف متعدد الفئات، ومجال الطعام.

   

✅ خذ بعض الوقت لاستكشاف واجهة المستخدم للرؤية المخصصة لمصنف الصور الخاص بك.

المهمة - تدريب مشروع مصنف الصور الخاص بك

لتدريب مصنف الصور، ستحتاج إلى صور متعددة للفاكهة، سواء كانت جيدة أو سيئة الجودة لتصنيفها كجيدة وسيئة، مثل موزة ناضجة وموزة ناضجة بشكل زائد. 💁 يمكن لهذه المصنفات تصنيف صور لأي شيء، لذا إذا لم يكن لديك فواكه بجودة مختلفة، يمكنك استخدام نوعين مختلفين من الفواكه، أو القطط والكلاب! يُفضل أن تكون كل صورة تحتوي فقط على الفاكهة، مع خلفية متسقة أو مجموعة متنوعة من الخلفيات. تأكد من عدم وجود أي شيء في الخلفية يحدد ما إذا كانت الفاكهة ناضجة أو غير ناضجة.

💁 من المهم ألا تكون هناك خلفيات محددة أو عناصر معينة غير مرتبطة بالشيء الذي يتم تصنيفه لكل علامة، وإلا قد يقوم المصنف بالتصنيف بناءً على الخلفية. كان هناك مصنف لسرطان الجلد تم تدريبه على الشامات العادية والسرطانية، وكانت الشامات السرطانية تحتوي جميعها على مساطر لقياس الحجم. اتضح أن المصنف كان دقيقًا بنسبة تقارب 100% في التعرف على المساطر في الصور، وليس الشامات السرطانية.

تعمل مصنفات الصور بدقة منخفضة جدًا. على سبيل المثال، يمكن لـ Custom Vision استخدام صور تدريب وتنبؤ تصل إلى 10240x10240، ولكن يتم تدريب النموذج وتشغيله على صور بحجم 227x227. يتم تصغير الصور الأكبر إلى هذا الحجم، لذا تأكد من أن الشيء الذي تقوم بتصنيفه يشغل جزءًا كبيرًا من الصورة، وإلا قد يكون صغيرًا جدًا في الصورة المصغرة التي يستخدمها المصنف.

1. اجمع صورًا لمصنفك. ستحتاج إلى ما لا يقل عن 5 صور لكل تصنيف لتدريب المصنف، ولكن كلما زاد العدد كان أفضل. ستحتاج أيضًا إلى بعض الصور الإضافية لاختبار المصنف. يجب أن تكون هذه الصور مختلفة لنفس الشيء. على سبيل المثال:

   • باستخدام موزتين ناضجتين، التقط بعض الصور لكل واحدة من زوايا مختلفة، مع التقاط ما لا يقل عن 7 صور (5 للتدريب، 2 للاختبار)، ولكن يُفضل أكثر.

     

   • كرر نفس العملية باستخدام موزتين غير ناضجتين.

   يجب أن يكون لديك ما لا يقل عن 10 صور تدريبية، مع 5 على الأقل ناضجة و5 غير ناضجة، و4 صور اختبارية، 2 ناضجة و2 غير ناضجة. يجب أن تكون صورك بصيغة png أو jpeg وأقل من 6 ميجابايت. إذا قمت بإنشائها باستخدام هاتف آيفون، على سبيل المثال، قد تكون بصيغة HEIC عالية الدقة، لذا ستحتاج إلى تحويلها وربما تصغيرها. كلما زاد عدد الصور كان أفضل، ويجب أن يكون لديك عدد متساوٍ تقريبًا من الصور الناضجة وغير الناضجة.

   إذا لم يكن لديك فواكه ناضجة وغير ناضجة، يمكنك استخدام فواكه مختلفة، أو أي شيئين متاحين لديك. يمكنك أيضًا العثور على بعض الصور النموذجية في images لموز ناضج وغير ناضج يمكنك استخدامها.

2. اتبع قسم تحميل الصور ووضع العلامات في دليل البدء السريع لبناء مصنف على مستندات Microsoft لتحميل صور التدريب الخاصة بك. ضع علامة على الفاكهة الناضجة بـ ripe، وغير الناضجة بـ unripe.

   

3. اتبع قسم تدريب المصنف في دليل البدء السريع لبناء مصنف على مستندات Microsoft لتدريب مصنف الصور على الصور التي قمت بتحميلها.

   سيتم إعطاؤك خيار نوع التدريب. اختر التدريب السريع.

سيبدأ المصنف في التدريب. سيستغرق الأمر بضع دقائق لإكمال التدريب.

🍌 إذا قررت تناول الفاكهة أثناء تدريب المصنف، تأكد من أن لديك صورًا كافية للاختبار أولاً!

اختبار مصنف الصور الخاص بك

بمجرد تدريب المصنف الخاص بك، يمكنك اختباره عن طريق إعطائه صورة جديدة لتصنيفها.

المهمة - اختبار مصنف الصور الخاص بك

1. اتبع وثائق اختبار النموذج على مستندات Microsoft لاختبار مصنف الصور الخاص بك. استخدم الصور الاختبارية التي أنشأتها سابقًا، وليس أيًا من الصور التي استخدمتها للتدريب.

   

2. جرب جميع الصور الاختبارية التي لديك وراقب الاحتمالات.

إعادة تدريب مصنف الصور الخاص بك

عند اختبار المصنف الخاص بك، قد لا يعطي النتائج التي تتوقعها. تستخدم مصنفات الصور التعلم الآلي لتقديم تنبؤات حول ما يوجد في الصورة، بناءً على احتمالات أن ميزات معينة في الصورة تعني أنها تطابق تصنيفًا معينًا. لا يفهم المصنف ما يوجد في الصورة - فهو لا يعرف ما هو الموز أو يفهم ما يجعل الموز موزًا بدلاً من قارب. يمكنك تحسين المصنف الخاص بك عن طريق إعادة تدريبه باستخدام الصور التي يخطئ فيها.

في كل مرة تقوم فيها بإجراء تنبؤ باستخدام خيار الاختبار السريع، يتم تخزين الصورة والنتائج. يمكنك استخدام هذه الصور لإعادة تدريب النموذج الخاص بك.

المهمة - إعادة تدريب مصنف الصور الخاص بك

1. اتبع وثائق استخدام الصورة المتنبأ بها للتدريب على مستندات Microsoft لإعادة تدريب النموذج الخاص بك، باستخدام العلامة الصحيحة لكل صورة.

2. بمجرد إعادة تدريب النموذج الخاص بك، اختبره على صور جديدة.

---

🚀 التحدي

ما الذي تعتقد أنه سيحدث إذا استخدمت صورة لفراولة مع نموذج تم تدريبه على الموز، أو صورة لموزة قابلة للنفخ، أو شخص يرتدي زي موزة، أو حتى شخصية كرتونية صفراء مثل شخصيات عائلة سيمبسون؟

جرب ذلك وشاهد ما هي التنبؤات. يمكنك العثور على صور لتجربتها باستخدام بحث الصور في Bing.

اختبار ما بعد المحاضرة

اختبار ما بعد المحاضرة

المراجعة والدراسة الذاتية

• عند تدريب المصنف الخاص بك، كنت سترى قيمًا مثل الدقة، الاسترجاع، و AP التي تقيم النموذج الذي تم إنشاؤه. اقرأ عن هذه القيم باستخدام قسم تقييم المصنف في دليل البدء السريع لبناء مصنف على مستندات Microsoft
• اقرأ عن كيفية تحسين المصنف الخاص بك من كيفية تحسين نموذج Custom Vision الخاص بك على مستندات Microsoft

المهمة

قم بتدريب المصنف الخاص بك على فواكه وخضروات متعددة

---

إخلاء المسؤولية:
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.