تصنيف الصور
وصف المشكلة
تصنيف صور الأرقام المكتوبة يدوياً (8×8 بكسل) بخوارزميات تعلم الآلة والشبكة العصبية، ثم بناء مصنف صور حقيقي بالكاميرا في Teachable Machine.
الأهداف
- تمثيل الصورة كمتجه بكسلات
- مقارنة kNN وSVM وRandom Forest وMLP
- تجربة التعلم بالنقل في Teachable Machine
نوع المشكلة
تصنيف صور Image Classification
مجموعة البيانات
الأدوات المستخدمة
الخوارزميات
خطوات التنفيذ
- افتح image-classification.ows في Orange لتصنيف جدول البكسلات.
- استخدم PCA ثم Scatter Plot لرؤية تجمع الأرقام في بعدين.
- في Teachable Machine: Image Project ← فئتان أو أكثر ← التقط 50 صورة على الأقل لكل فئة ← Train ← Preview.
- صدّر نموذج Teachable Machine (TensorFlow.js) إن أردت استخدامه في صفحة ويب.
مخطط سير العمل
قراءة البياناتمعالجة وتحويلنموذج / خوارزميةتنبؤتقييمعرض وتصوير
Orange
↔ اسحب المخطط أفقياً لرؤيته كاملاً.
الاتصالات نصاً (8)
- File → Data Table
- File → Test and Score
- kNN → Test and Score
- SVM → Test and Score
- Random Forest → Test and Score
- Neural Network → Test and Score
- Test and Score → Confusion Matrix
- File → Scatter Plot
KNIME
↔ اسحب المخطط أفقياً لرؤيته كاملاً.
الاتصالات نصاً (5)
- CSV Reader → Partitioning
- Partitioning → Random Forest Learner
- Random Forest Learner → Random Forest Predictor
- Random Forest Predictor → Scorer
- Partitioning → Random Forest Predictor
ملفات المشروع
- مجموعة البيانات CSVCSV260.6 كيلوبايت
- ملف WEKA بصيغة ARFFWEKA ARFF265.5 كيلوبايت
- سير عمل Orange (.ows)Orange7.1 كيلوبايت
- البيانات بصيغة Orange (.tab) لسير العملOrange TAB261.3 كيلوبايت
- النتائج المرجعية المحسوبة (CSV)نتائج228.0 بايت
- دليل التنفيذ خطوة بخطوة (PDF)PDF325.1 كيلوبايت
- حزمة المشروع كاملة (ZIP)ZIP435.6 كيلوبايت
ملفات KNIME Workflow بصيغة KNWF غير مرفقة في هذا الإصدار لأننا لم نبنها ونختبرها داخل KNIME نفسها؛ مخطط عُقد KNIME مرسوم أعلاه لتبنيه بنفسك.
النتائج
نتائج فعلية محسوبة على الملفات المرفقة
• kNN (k=5): Accuracy 97.9% (± 1.1%)، F1-macro 0.979
• SVM (RBF): Accuracy 98.4% (± 0.9%)، F1-macro 0.984
• Random Forest: Accuracy 97.9% (± 0.8%)، F1-macro 0.979
• MLP (1x64): Accuracy 98.3% (± 0.9%)، F1-macro 0.983
نتائج Teachable Machine تعتمد على صورك أنت، لذلك لا ننشر لها أرقاماً.
مقاييس التقييم
- Accuracy
- Confusion Matrix لعشر فئات
تفسير النتائج
كل النماذج تتجاوز 97% لأن الصور صغيرة ونظيفة ومتمركزة. الصور الحقيقية الأكبر والأكثر تنوعاً تحتاج شبكات التفافية CNN أو تعلماً بالنقل كما في Teachable Machine.
أسئلة للمناقشة
- أي الأرقام تُخلط أكثر ببعضها ولماذا؟
- لماذا تحتاج الصور الكبيرة CNN بدلاً من MLP؟
- كيف تتأكد أن نموذج Teachable Machine لم يتعلم الخلفية بدل الشيء؟
جرّبه في مختبر الشبكة العصبية المرئي
