Wake Vision: A Tailored Dataset and Benchmark Suite for TinyML Computer Vision Applications
يقدم هذا المساهمة "Wake Vision"، وهو مسار عمل مؤتمت يولد مجموعة بيانات ضخمة وعالية الجودة للكشف عن الأشخاص في مجال الـ TinyML، ويقلل بشكل كبير، مقارنة بمعيار Visual Wake Words السابق، من معدل خطأ التسمية مع تحسين دقة النموذج عبر مختلف البنيات والظروف.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت صغير يعمل بالبطارية (مثل منظم حرارة ذكي أو كاميرا مراقبة على شريحة دقيقة) كيفية التعرف على البشر. يسمى هذا المجال TinyML. تكمن المشكلة في أن هذه الروبوتات تمتلك "قدرة حوسبية" وذاكرة محدودة للغاية، لذا لا يمكنها التعلم من مجموعات البيانات الضخمة والمعقدة التي تستخدمها نماذج الذكاء الاصطناعي العملاقة؛ فهي تحتاج إلى تدريب بسيط ومحدد.
لسنوات، كان دليل التدريب القياسي لهذه الروبوتات هو مجموعة بيانات تسمى Visual Wake Words (VWW). إلا أن مؤلفي هذه الورقة البحثية يجادلون بأن VWW تشبه خريطة قديمة باهتة بها العديد من المنعطفات الخاطئة؛ فهي صغيرة جدًا، والبيانات التوضيحية (الإجابات التي تخبر الروبوت ما هو الإنسان وما ليس إنسانًا) غالبًا ما تكون غير صحيحة. إذا علمت الروبوت باستخدام تعليمات سيئة، فسيقع في أخطاء في العالم الحقيقي.
لإصلاح ذلك، طور الفريق Wake Vision، وهو مكتبة تدريب جديدة وضخمة، وطريقة جديدة لإنشائها تسمى Wake Vision Pipeline.
إليك تفصيل لما قاموا به، باستخدام تشبيهات بسيطة:
1. المشكلة: فصل دراسي صاخب
تخيل أنك تحاول تعليم طالب كيفية تحديد التفاح. إذا عرضت عليه 100 صورة ولكن 8 منها هي في الواقع برتقال تم تصنيفه كأنه تفاح، فسوف يصاب الطالب بالارتباك.
- الطريقة القديمة (VWW): تضمنت حوالي 123,000 صورة. وجد المؤلفون أن حوالي 7.8% من البيانات التوضيحية كانت خاطئة (مثل تسمية البرتقالة بأنها تفاحة).
- الطريقة الجديدة (Wake Vision): أنشأوا مكتبة تضم 6 ملايين صورة (حوالي 100 ضعف حجم المكتبة القديمة). لقد استثمروا الأموال للتحقق يدويًا من أهم الصور (مجموعات "الاختبار" و"التحقق") لضمان أن البيانات التوضيحية شبه مثالية، مما قلل معدل الخطأ إلى 2.2% فقط.
2. الحل: خط إنتاج "المصنع الذكي"
لا يمكنك التحقق من 6 ملايين صورة يدويًا؛ فهذا سيكلف ملايين الدولارات ويستغرق وقتًا طويلاً جدًا. لذا، قاموا ببناء "مصنع" مؤتمت (Wake Vision Pipeline) للقيام بالعمل الشاق. فكر في الأمر كآلة فرز عالية التقنية:
- خلط المصادر: يقومون بسحب الصور من مكتبة عامة ضخمة (Open Images)، والتي تحتوي على أوصاف تقريبية ("هنا يوجد شخص") وحدود دقيقة (صناديق الإحاطة). يجمعون هذه العناصر لإنشاء تعليمات واضحة وموحدة للروبوت.
- الفلتر (المرشح): تمتلك الآلة فلاتر ذكية:
- فلتر الثقة: إذا لم يكن الكمبيوتر متأكدًا من وجود شخص، فإنه يستبعد الصورة.
- فلتر المسافة: إذا كان الشخص صغيرًا جدًا بحيث يبدو مجرد نقطة في الأفق، فإنه يستبعد الصورة (بما أن الروبوتات الصغيرة عادة ما تحتاج لرؤية الأشخاص القريبين).
- فلتر الفن: إذا كان "الشخص" هو في الواقع لوحة أو رسوم متحركة، فإنه يستبعد الصورة (ما لم تكن تريد تحديدًا من الروبوت أن يتعلم تجاهل اللوحات).
- "الحدافة" (تحسين المجتمع): هذا هو الجزء الأروع. بدلاً من مجرد نشر مجموعة البيانات والمضي قدمًا، فهم يعاملون مجموعة البيانات مثل حديقة حية. إنهم يتشاركون مع مؤسسة لتنظيم مسابقات؛ فإذا وجد أحد أعضاء المجتمع طريقة لإصلاح خطأ في البيانات التوضيحية تلقائيًا، يتم دمج هذا التصحيح في النسخة التالية من مجموعة البيانات. إنه يشبه لعبة فيديو حيث يساعد اللاعبون في بناء الخريطة للمستوى التالي.
3. النتائج: روبوتات أفضل
عندما دربوا روبوتاتهم الصغيرة باستخدام هذه المكتبة الجديدة، الأنظف والأكبر:
- تحسن الدقة: أصبحت الروبوتات أكثر ذكاءً بشكل ملحوظ. في بعض الحالات، كانت أكثر دقة بنسبة 6.6% من الروبوتات المدربة على المكتبة القديمة.
- المتانة: لم تكتفِ الروبوتات الجديدة بالتحسن في الأسئلة "السهلة"؛ بل أصبحت أيضًا أفضل في السيناريوهات الواقعية "الصعبة"، مثل التعرف على:
- كبار السن.
- الأشخاص في الظلام.
- الأشخاص البعيدين.
- الأشخاص في لقطات المراقبة (المشاهدة من الأعلى).
- مفاجأة "النموذج الصغير": اكتشفوا سمة غريبة في الروبوتات الصغيرة: النماذج الصغيرة أكثر حساسية للبيانات التوضيحية السيئة من النماذج الكبيرة. إذا أعطيت روبوتًا صغيرًا بعض التعليمات الخاطئة، فسيصاب بالارتباك بسرعة أكبر بكثير من حاسوب خارق ضخم. وهذا يثبت أنه بالنسبة للأجهزة الصغيرة، فإن جودة البيانات أكثر أهمية حتى من كميتها.
4. التدريب على مرحلتين: استراتيجية "المتدرب"
وجدوا طريقة ذكية لتدريب هذه الروبوتات تعمل مثل العلاقة بين المعلم والمتدرب:
- التدريب المسبق: دع الروبوت يدرس أولاً المكتبة الضخمة والمليئة بالضجيج (Wake Vision Large) ليأخذ فكرة عامة عما يبدو عليه الإنسان.
- الضبط الدقيق: ثم دع الروبوت يدرس المكتبة الأصغر والنقية تمامًا (Wake Vision Quality) لصقل مهاراته.
هذا الجمع حقق أفضل النتائج وأثبت أنه يمكنك الحصول على أفضل ما في العالمين: قابلية التوسع لمجموعة بيانات ضخمة، ودقة مجموعة بيانات نظيفة.
5. ما وراء البشر: أداة عالمية
على الرغم من أنهم ركزوا على "كشف الأشخاص" (المهمة الأكثر شيوعًا لهذه الأجهزة)، فقد أظهروا أن "خط الإنتاج" الخاص بهم يمكن استخدامه لإنشاء مجموعات تدريب لأي شيء آخر.
- استخدموه لإنشاء مجموعة بيانات لرصد الطيور (أكبر بـ 27 مرة من المحاولات السابقة، مع انعدام الأخطاء تقريبًا).
- استخدموه لإنشاء مجموعة بيانات لرصد السيارات (أكبر بـ 12 مرة).
هذا يعني أنه يمكن للمطورين الآن إنشاء بيانات تدريب مخصصة لاحتياجاتهم الخاصة بسهولة دون الحاجة لتوظيف جيوش من الأش ludzi لتسمية ملايين الصور.
الملخص
تقدم هذه الورقة البحثية Wake Vision، وهي مجموعة بيانات ضخمة وعالية الجودة لأجهزة الذكاء الاصطناعي الصغيرة، و Wake Vision Pipeline، وهي طريقة مؤتمتة لإنشاء مثل هذه المجموعات. إنها تعالج مشكلة "البيانات السيئة" للأجهزة الصغيرة، وتثبت أن الأجهزة الصغيرة تحتاج إلى بيانات مثالية لتعمل بشكل جيد، وتنشئ نظامًا يمكن للمجتمع من خلاله تحسين البيانات باستمرار، مما يجعل الـ TinyML أكثر موثوقية للاستخدام في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.