طبقه بندی تصویر (Image Classification) چیست؟

ما اغلب در مسیرهای روزمره خود با فناوری‌هایی برخورد می‌کنیم که اهمیت آن‌ها را دست کم می‌گیریم؛ از باز کردن قفل تلفن هوشمند با تشخیص چهره گرفته تا دوربین های کنترل سرعت، بدون آنکه عمیقاً به فرآیند آن فکر کنیم. در بسیاری از این مسائل، تکنیک های طبقه بندی تصویر (Image Classification) مورد استفاده قرار میگیرد.

در بطن اکثر این فرآیندها، قابلیتی کلیدی نهفته است: توانایی ماشین در تجزیه و تحلیل یک تصویر و اختصاص دادن یک برچسب (Label) به آن. این کار شباهت زیادی به تمایز قائل شدن بین گونه‌های مختلف گیاهی دارد که برای مثال در تشخیص فنوتیپ گیاهان کاربرد دارد.

طبقه بندی تصویر (Image Classification) دقیقاً همین توانایی انسانی را وارد دنیای فناوری می‌کند. در اصل، فناوری و هوش مصنوعی (AI) تکامل یافته‌اند تا صاحب چشم‌های خود شوند و جهان را از طریق بینایی کامپیوتر (Computer Vision) درک کنند.

طبقه بندی تصاویر به‌عنوان یک زیربنای اساسی برای بسیاری از دیگر وظایف حیاتی بینایی کامپیوتر عمل می‌کند که روز به روز در حال پیشرفت هستند.

در این راهنما، قصد داریم تا به‌طور دقیق بر روی این موضوع تمرکز کنیم که طبقه بندی تصویر در یادگیری ماشین (Machine Learning)  دقیقاً چیست و سپس از آنجا به جزئیات بیشتری بپردازیم. این تنها راهنمایی است که برای یادگیری اصول اولیه و حتی فراتر از آن در حوزه دسته بندی تصاویر نیاز خواهید داشت.

طبقه بندی تصویر یا Image Classification چیست؟

در میان وظایف مختلف بینایی کامپیوتر (Computer Vision)، طبقه بندی تصویر (Image Classification) با نقش بی‌بدیل خود در فناوری مدرن، جایگاه ویژه‌ای دارد.

طبقه بندی تصویر شامل فرآیند اختصاص یک برچسب (Label) به کل یک تصویر است. این برچسب‌گذاری بر اساس داده‌های آموزشی از پیش موجود (تصاویری که قبلاً توسط انسان‌ها برچسب خورده‌اند) انجام می‌شود.

اگرچه این فرآیند در نگاه اول ممکن است ساده به نظر برسد، اما در واقع مستلزم تحلیل تصویر در سطح پیکسل‌ها است تا مناسب‌ترین برچسب برای محتوای کلی تصویر تعیین شود. این قابلیت، داده‌ها و بینش‌های ارزشمندی را برای ما فراهم می‌کند که امکان تصمیم‌گیری‌های آگاهانه و نتایج عملیاتی را در سیستم‌های هوشمند فراهم می‌سازد.

با این حال، برای رسیدن به نتایج دقیق و جلوگیری از خطاهای احتمالی، باید اطمینان حاصل کنیم که فرآیند برچسب‌گذاری داده‌ها (Data Labeling) در فاز آموزش، با دقت بالا انجام شده باشد.

به منظور تسهیل برچسب‌گذاری دقیق داده‌ها و بهبود عملکرد مدل، اغلب از مجموعه‌داده‌های عمومی در مرحله آموزش مدل هوش مصنوعی استفاده می‌شود. این مجموعه‌داده‌ها، پایه‌ای استاندارد و تأییدشده برای آموزش مدل‌های طبقه بندی تصویر فراهم می‌کنند.

انواع طبقه بندی تصویر

بسته به نوع مسئله‌ای که با آن مواجه هستیم، متدهای مختلفی برای طبقه بندی تصاویر وجود دارد. این دسته‌بندی‌ها شامل دودویی (Binary)، چندگانه (Multiclass)، چندبرچسبی (Multilabel) و سلسله مراتبی (Hierarchical) هستند.

طبقه بندی دودویی (Binary Classification)

طبقه بندی دودویی از منطق “یا این، یا آن“ پیروی می‌کند و نقاط داده ناشناخته را به دو دسته (Class) مجزا تقسیم می‌کند. این نوع طبقه بندی تصویر برای مسائلی استفاده می‌شود که نیازمند پاسخ‌های بله/خیر هستند.

• مثال‌ها:
  • دسته‌بندی تومورها به خوش‌خیم یا بدخیم.
  • تحلیل کیفیت محصولات برای تشخیص اینکه آیا نقص دارند یا خیر.
  • شناسایی وجود گربه یا سگ در یک تصویر.

طبقه بندی چندگانه (Multiclass Classification)

در حالی که طبقه بندی دودویی تنها برای تمایز بین دو کلاس به کار می‌رود، طبقه بندی چندگانه، همان‌طور که از نامش پیداست، آیتم‌ها را در سه کلاس یا بیشتر دسته‌بندی می‌کند. در این روش، هر تصویر فقط به یک کلاس تعلق دارد.

• کاربردها:
  • تشخیص بیماری‌های پزشکی و دسته‌بندی آن‌ها به انواع مختلف.
  • در پردازش زبان طبیعی (NLP)، مانند تحلیل احساسات که بیش از دو احساس (مانند شادی، غم و خشم) وجود دارد.
  • تشخیص نوع شیء در تصویر (مثلاً ماشین، دوچرخه یا هواپیما).

طبقه بندی چندبرچسبی (Multilabel Classification)

برخلاف طبقه بندی چندگانه که هر تصویر به دقیقاً یک کلاس اختصاص داده می‌شود، طبقه بندی چندبرچسبی این امکان را فراهم می‌کند که یک آیتم به چندین برچسب به صورت همزمان اختصاص یابد.

• مثال کاربردی:
  • فرض کنید می‌خواهید رنگ‌های موجود در یک تصویر را طبقه بندی کنید. تصویری از یک سالاد میوه ممکن است هم‌زمان دارای رنگ‌های قرمز (توت فرنگی)، نارنجی (پرتقال)، زرد (موز) و بنفش (انگور) باشد. در نتیجه، یک تصویر واحد، چندین رنگ را به‌عنوان برچسب‌های خود خواهد داشت.

طبقه بندی سلسله مراتبی (Hierarchical Classification)

طبقه بندی سلسله مراتبی وظیفه سازماندهی کلاس‌ها در یک ساختار درختی (Hierarchical Structure) را بر اساس شباهت‌های آن‌ها دارد. در این ساختار، کلاس‌های سطح بالاتر، دسته‌بندی‌های گسترده‌تر را نشان می‌دهند و کلاس‌های سطح پایین‌تر، مشخص‌تر و جزئی‌تر هستند.

• مثال میوه‌ها برای درک بهتر:
  1. مدل اولیه ما “سیب“ را از “انگور“ تشخیص می‌دهد..
  2. اگر مدل، شی را “سیب“ پیش‌بینی کند، یک مدل ثانویه فراخوانی می‌شود تا زیرگونه‌های سیب را بین Honeycrisp، Red Delicious یا McIntosh Red دسته‌بندی کند.

این ساختار سلسله مراتبی باعث می‌شود ویژگی‌های کلاس‌های بالاتر به‌صورت خودکار در کلاس‌های پایین‌تر نیز وجود داشته باشند. در سناریوهای واقعی و بزرگتر، این رویکرد یک چارچوب انعطاف‌پذیر و قابل تفسیر برای سازماندهی مفاهیم بصری پیچیده ارائه می‌دهد و همچنین امکان انتقال دانش مؤثر بین کلاس‌های مرتبط را فراهم می‌کند.

مقایسه سه وظیفه اصلی بینایی کامپیوتر و پردازش تصویر

در دنیای بینایی کامپیوتر (Computer Vision) و پردازش تصویر (Image Processing)، مفاهیم طبقه بند  (Classification)، تشخیص شی (Object Detection) و بخش بندی تصویر (Image Segmentation) سه مساله کلیدی هستند که هر کدام سطح متفاوتی از درک بصری از تصویر را ارائه می‌دهند. برای درک بهتر این تفاوت‌ها، آن‌ها را با یک مثال مشترک (تصویری حاوی گربه‌ها و سگ‌ها) مقایسه می‌کنیم:

درک کلی تصویر با طبقه بندی تصویر (Image Classification)

ساده‌ترین و اساسی‌ترین وظیفه در پردازش تصویر، طبقه بندی تصویر (Image Classification) است. هدف از این فرآیند، درک کلی محتوا یا ماهیت اصلی تصویر است.

• هدف: تعیین برچسب (Label) کلی که محتوای غالب تصویر را مشخص کند.
• خروجی: یک برچسب واحد (مثلاً: “سیب”، “خودرو” یا “حیوان”).
• محدودیت: این روش تنها نوع شی را مشخص می‌کند و نمی‌تواند موقعیت دقیق آن یا وجود همزمان چندین شیء متفاوت را در تصویر تشخیص دهد.

مکان‌یابی و شناسایی اشیا با تشخیص شی (Object Detection)

تشخیص شی (Object Detection) یک سطح پیچیده‌تر از بینایی کامپیوتر است که نه تنها اشیاء را نام‌گذاری می‌کند، بلکه موقعیت آن‌ها را نیز مشخص می‌نماید.

• هدف: شناسایی همه اشیاء مهم در تصویر و تعیین مکان دقیق آن‌ها.
• خروجی: مجموعه‌ای از کادرهای محدودکننده (Bounding Boxes) که هر شیء را احاطه کرده و برچسب مربوط به آن را نیز ارائه می‌دهند.
• ماهیت: این وظیفه ترکیبی هوشمندانه از طبقه بندی (برای برچسب‌گذاری شیء) و مکان‌یابی شیء (Object Localization) (برای کشیدن کادر دور آن) محسوب می‌شود.

تحلیل دقیق سطح پیکسلی با بخش بندی تصویر (Image Segmentation)

دقیق‌ترین و چالش‌برانگیزترین وظیفه، بخش بندی تصویر (Image Segmentation) است. این فرآیند به بینایی کامپیوتر امکان می‌دهد تا درک بسیار عمیقی از مرزها و شکل هندسی دقیق اشیاء داشته باشد.

• هدف: اختصاص دادن یک برچسب یا کلاس به هر پیکسل از تصویر.
• خروجی: یک ماسک (Mask) دقیق که مرزهای هر شیء را به صورت پیکسلی جدا می‌کند و اطلاعات هندسی فوق‌العاده دقیقی را فراهم می‌سازد.
• اهمیت: این دقت پیکسلی برای کاربردهای حساس و حیاتی نظیر سیستم‌های خودروهای خودران (برای تفکیک دقیق جاده، عابر پیاده، آسمان و…) یا تحلیل‌های پزشکی دقیق (مانند تفکیک تومورها از بافت سالم) ضروری است.

به طور خلاصه، طبقه بندی فقط می‌گوید “چه چیزی“ هست، تشخیص شی می‌گوید “چه چیزی و کجا“ هست، و تقسیم‌بندی می‌گوید “مرزهای دقیق هر شیء کجا هستند“.

نحوه عملکرد طبقه بندی تصویر

همان‌طور که می‌دانیم، تصویری که ما به‌صورت یکپارچه مشاهده می‌کنیم، از صدها تا هزاران پیکسل ریز تشکیل شده است. پیش از آنکه بینایی کامپیوتر بتواند تصویر را به‌صورت کلی برچسب‌گذاری کند، باید اجزای تشکیل‌دهنده آن را به‌طور جزء به جزء تحلیل نماید تا به یک فرضیه آگاهانه برسد.

تحلیل داده‌های پیکسلی

به همین دلیل است که تکنیک‌های طبقه بندی تصویر یک عکس ورودی را در قالب پیکسل‌ها تجزیه و تحلیل می‌کنند. این کار با در نظر گرفتن تصویر به‌عنوان یک آرایه از ماتریس‌ها انجام می‌شود که اندازه آن‌ها مستقیماً توسط وضوح تصویر تعیین می‌شود. سپس، پیکسل‌های تصویر دیجیتال گرفته شده و در “کلاس‌ها” (Classes) گروه‌بندی می‌شوند.

تبدیل تصویر به ویژگی‌های کلیدی

از این نقطه به بعد، فرآیند بر اساس الگوریتم انتخابی متفاوت خواهد بود. اما اگر بخواهیم یک دید کلی ارائه دهیم، الگوریتم انتخابی تصویر را به مجموعه‌ای از ویژگی‌های کلیدی  تبدیل می‌کند تا کار صرفاً بر عهده طبقه بندی‌کننده نهایی نباشد. این ویژگی‌های استخراج شده به طبقه بندی‌کننده کمک می‌کنند تا درک کند که محتوای تصویر چیست و به کدام کلاس تعلق دارد.

مراحل کلی فرایند طبقه بندی تصویر

به‌طور کلی، مسیر طبقه بندی تصویر (Image Classification Pipeline) شامل سه مرحله اصلی است:

1. پیش‌پردازش تصویر (Image Pre-processing): شامل آماده‌سازی تصویر (مانند تغییر اندازه، نرمال‌سازی یا حذف نویز) برای افزایش کیفیت داده ورودی.
2. استخراج ویژگی (Feature Extraction): شامل شناسایی و استخراج ویژگی‌های مهم و متمایز کننده از تصویر (مانند لبه‌ها، بافت‌ها و گوشه‌ها).
3. طبقه بندی شی (Object Classification): استفاده از ویژگی‌های استخراج شده برای تعیین نهایی کلاس یا برچسبی که تصویر به آن تعلق دارد.

نحوه کاربردهای طبقه بندی تصویر در دنیای واقعی

طبقه بندی تصویر بی‌دلیل مشهور نشده است؛ این فناوری به یک عامل تحول‌آفرین در حوزه‌های متعددی مانند پردازش تصاویر پزشکی، خودروهای خودران، کشاورزی، امنیت و خرده‌فروشی تبدیل شده است. بیایید بررسی کنیم که چرا این فناوری در این صنایع تا این حد محبوب شده است.

۱. تصاویر پزشکی و سلامت

صنعت مراقبت‌های بهداشتی (Healthcare) به طور گسترده‌ای از بینایی کامپیوتر در فعالیت‌های خود استفاده می‌کند.

طبقه بندی تصویر نقشی حیاتی در تشخیص بیماری‌ها با تحلیل تصاویر پزشکی مانند اشعه ایکس، سی‌تی اسکن، ام‌آر‌آی و موارد دیگر ایفا می‌کند.

• مثال: متخصصان پوست از الگوریتم‌های طبقه بندی تصویر برای تشخیص و شناسایی بیماری‌های پوستی مانند ملانوما (Melanoma) استفاده می‌کنند. این الگوریتم‌ها با تحلیل هزاران تصویر ضایعات پوستی در داده‌های آموزشی، الگوها و ویژگی‌های خاص هر بیماری را یاد می‌گیرند.
• نتیجه شگفت‌انگیز: مطالعه‌ای که در نشریه اروپایی سرطان منتشر شد، نشان داد که یک الگوریتم یادگیری عمیق که با تصاویر پوستی آموزش دیده بود، توانست در تشخیص دقیق سرطان پوست، عملکردی بهتر از ۱۵۷ متخصص پوست داشته باشد.

۲. خودروهای خودران

خودروهای خودران یکی از کاربران پیشرو در زمینه طبقه بندی تصویر است. دوربین‌ها و حسگرهای متصل به خودروها می‌توانند اشیاء موجود در جاده را تشخیص دهند که عمدتاً به دلیل الگوریتم‌های یادگیری ماشین است که روی حجم عظیمی از داده‌های سناریوهای رانندگی کار می‌کنند.

• عملکرد: طبقه بندی کننده (Classifier) با شناسایی اینکه شیء مورد نظر عابر پیاده، وسیله نقلیه، علامت جاده یا درخت است، به خودرو کمک می‌کند تا به محیط اطراف خود واکنش نشان دهد.
• چالش و ریسک: خودروهای خودران یکی از پرریسک‌ترین حوزه‌های استفاده از طبقه بندی تصویر است. چرا؟ زیرا خودروها باید محیط‌های پیچیده و متنوعی شامل طیف وسیعی از شرایط آب و هوایی، نورپردازی و سایر عوامل را مدیریت کنند که می‌توانند ظاهر اشیاء را تحت تأثیر قرار دهند و منجر به خطرات جدی شوند. این امر بر اهمیت استفاده از مدل‌های یادگیری عمیق که با مجموعه‌داده‌های بزرگ و متنوع آموزش دیده‌اند، تأکید می‌کند.

۳. کشاورزی (Agriculture)

در بخش کشاورزی، از طبقه بندی  تصویر برای دسته‌بندی تصاویر محصولات، شناسایی آفات و بیماری‌ها، نظارت بر رشد گیاهان و در کل آسان‌تر کردن زندگی کشاورزان استفاده می‌شود. این فناوری شبیه داشتن یک حس ششم برای کشاورز است که می‌تواند تغییرات در سلامت محصولات و خاک را تشخیص دهد و به تصمیم‌گیری آگاهانه‌تر در مورد آبیاری، کوددهی و کنترل آفات کمک کند.

• مثال: استارتاپ‌های حوزه فناوری کشاورزی (Agtech) از تکنیک‌های نوین طبقه بندی تصویر و ویدئو برای شناسایی و ردیابی حشرات در زمان واقعی استفاده می‌کنند، که به طور چشمگیری خسارت عظیمی را که آفات حشره‌ای به کشاورزی وارد می‌کنند، کاهش می‌دهد.

۴. امنیت و نظارت (Security)

استفاده از طبقه بندی تصویر در امنیت طی دهه گذشته با پیچیده‌تر و در دسترس‌تر شدن فناوری، شتاب بیشتری گرفته است.

• تشخیص تهدیدات در زمان واقعی: در یک فرودگاه شلوغ یا خیابان پرجمعیت، الگوریتم‌های طبقه بندی تصویر می‌توانند به طور خودکار فید ویدیویی زنده را تحلیل کرده و تهدیدات احتمالی یا فعالیت‌های مشکوک را در زمان واقعی شناسایی کنند. این امر به پرسنل امنیتی کمک می‌کند تا به سرعت واکنش نشان دهند.
• سیستم‌های تشخیص چهره: این فناوری در سیستم‌های تشخیص چهره که به طور متداول در برنامه‌های امنیتی استفاده می‌شوند، کمک شایانی می‌کند. با تحلیل ویژگی‌های چهره و تطبیق آن‌ها با داده‌های آموزشی افراد شناخته‌شده، این سیستم‌ها می‌توانند افراد تحت تعقیب یا گمشده را شناسایی و ردیابی کنند.
• بازرسی امنیتی: طبقه بندی تصویر همچنین برای تشخیص شیء در فرآیندهای بازرسی امنیتی (مانند بازرسی چمدان در فرودگاه) به کار می‌رود. با شناسایی خودکار اقلام ممنوعه مانند سلاح یا مواد منفجره، کارایی و اثربخشی پروتکل‌های امنیتی به شدت افزایش می‌یابد.

خلاصه مطالب گفته‌شده درباره طبقه بندی تصویر (Image Classification)

طبقه بندی تصویر (Image Classification) یکی از وظایف بنیادین در حوزه بینایی ماشین (Computer Vision) و هوش مصنوعی (AI) است که در آن، یک برچسب (Label) به کل تصویر اختصاص داده می‌شود تا محتوای آن مشخص گردد. این فرآیند بر پایه تحلیل داده‌های پیکسلی و استفاده از مدل‌های یادگیری ماشین (Machine Learning) استوار است.

مفاهیم کلیدی

• نحوه عملکرد: طبقه بندی تصویر با تبدیل داده‌های پیکسلی به آرایه‌ای از ماتریس‌ها آغاز شده و از طریق یک خط لوله شامل پیش‌پردازش تصویر و استخراج ویژگی‌ها به تعیین کلاس نهایی می‌رسد.
• انواع طبقه بندی :
  • دودویی (Binary): دسته‌بندی به دو کلاس (مثلاً: بله/خیر).
  • چندگانه (Multiclass): دسته‌بندی به سه کلاس یا بیشتر، که هر تصویر فقط یک برچسب می‌گیرد.
  • چندبرچسبی (Multilabel): هر تصویر می‌تواند به چندین برچسب به صورت همزمان اختصاص یابد.
  • سلسله مراتبی (Hierarchical): سازماندهی کلاس‌ها در یک ساختار درختی از مفاهیم گسترده به مفاهیم جزئی.

کاربردها در صنایع مختلف

طبقه بندی تصویر به دلیل توانایی‌اش در تحلیل سریع و دقیق حجم عظیمی از داده‌های بصری، به عنوان یک فناوری تحول‌آفرین در حوزه‌های زیر مورد استفاده قرار می‌گیرد:

1. پزشکی: تشخیص بیماری‌ها (مانند سرطان پوست یا تحلیل سی‌تی اسکن) با سرعت و دقتی بالا.
2. خودروهای خودران: شناسایی عابران پیاده، علائم راهنمایی و رانندگی و وسایل نقلیه برای تصمیم‌گیری امن و سریع خودرو.
3. کشاورزی: نظارت بر سلامت محصولات، تشخیص آفات و بیماری‌ها و کمک به تصمیم‌گیری در مورد آبیاری و کوددهی.
4. امنیت: سیستم‌های نظارت تصویری، تشخیص چهره و شناسایی خودکار اقلام ممنوعه در بازرسی‌های امنیتی.

با دیتایاد دیتا ساینس و بینایی کامپیوتر رو به سادگی یاد بگیرید

همان‌طور که در این مقاله مشاهده کردید، طبقه بندی تصویر (Image Classification) تنها نقطه آغازین در دنیای وسیع هوش مصنوعی (AI) و بینایی ماشین (Computer Vision) است. این فناوری نه تنها در پزشکی و خودروهای خودران، بلکه در آینده هر صنعتی نقشی حیاتی دارد.

آیا شما نیز مشتاقید تا عمیق‌تر به این حوزه‌های پیشرفته وارد شوید و مهارت‌های لازم برای ساختن سیستم‌های هوشمند خود را کسب کنید؟

اگر به دنبال تسلط بر دانش زیربنایی این حوزه هستید، مسیر خود را با دو دوره‌های جامع ما آغاز کنید:

1. دوره جامع علم داده و یادگیری ماشین: بهترین نقطه برای شروع، جایی که اصول بنیادین یادگیری ماشین، یادگیری عمیق، تحلیل داده‌ها و ساخت مدل‌های پیش‌بینی را به صورت کامل فرا می‌گیرید.
2. دوره جامع بینایی کامپیوتر و پردازش تصویر: تخصصی‌ترین دوره برای ورود به دنیای بینایی کامپیوتر، از پردازش تصویر مقدماتی گرفته تا توسعه شبکه‌های عصبی عمیق (CNN) برای وظایفی مانند طبقه بندی تصویر، تشخیص شی و بخش بندی تصویر