شارك المقالة
تدريب نموذج صور باستخدام Teachable Machine وتصديره إلى Flutter

تدريب نموذج صور باستخدام Teachable Machine وتصديره إلى Flutter

تدريب نموذج صور باستخدام Teachable Machine وتصدير TFLite إلى Flutter، مع فصل بيانات التدريب والتقييم وتوثيق labels والتطبيع.

تدريب نموذج صور باستخدام Teachable Machine وتصدير TFLite إلى Flutter، مع فصل بيانات التدريب والتقييم وتوثيق labels والتطبيع.

ما الذي تتعلمه هنا؟

Teachable Machine يتيح تجربة تدريب تصنيف من أمثلة مصورة عبر المتصفح. اختيار image project لا ينشئ تطبيق واقع افتراضي ولا نموذجًا يفهم أي شيء خارج فئاته تلقائيًا. حدد مهمة صغيرة واضحة مثل تمييز نوعين من أدوات مكتبية، ثم سمِّ الفئات بما يمكن للمستخدم تفسيره. هذا الدرس يركز على البيانات والتصدير، بينما درس TFLite المرتبط يشرح عقد تشغيل النموذج داخل Flutter بعد توفر ملف الأوزان.

الأمثلة أهم من عدد النقرات

اجمع صورًا متنوعة في الزوايا والخلفية والضوء والحجم، ولا تجعل كل صور الفئة الأولى على طاولة حمراء والثانية على طاولة زرقاء. قد يتعلم النموذج الخلفية بدل الشيء الذي تقصده. احرص أن اختيار الصور وترخيصها وموافقة أصحابها يناسب الغرض، واستعمل أشياء غير حساسة في التجربة الأولى. توازن عدد الصور مفيد لكنه لا يعوض التنوع ولا يجعل مجموعة صغيرة ممثلة لكل بيئات الاستخدام.

افصل التدريب عن التقييم

لا تقِس النجاح على الصور نفسها التي قدمتها للتدريب، ولا تقسّم نسخًا شبه متطابقة من لقطة واحدة بين المجموعتين ثم تعرض النتيجة كتعميم. احتفظ بعينات من جلسة أو مكان مختلف بقدر ما تسمح المهمة، واختبر أمثلة ليست لأي فئة معروفة. إذا كانت الفئات متقاربة فراجع الأخطاء بعينك وحدد ما إذا كانت المشكلة غموضًا في تعريف الفئة أو صورة ضعيفة أو نقصًا في التنوع، بدل زيادة مدة التدريب بلا سؤال.

تصدير النموذج ومعلوماته

بعد تجربة التدريب افحص خيارات التصدير المتاحة واختر TFLite الملائم لمسار الاستدلال في تطبيقك، مع الاحتفاظ بملف labels وأي وصف للتطبيع والأبعاد والنوع. يمكن أن تختلف خيارات المشروع وإصداراته، فلا تسمِّ ملفًا tfl بدل الامتداد الفعلي ولا تكتفِ بصورة من المعالج القديم. سجل نسخة التدريب وترتيب الفئات ومجموعة التقييم وإعدادات الإدخال. ملف النموذج وحده لا يشرح كيف تعيد بناء تجربة نجحت قبل أشهر.

المعاينة ليست اختبار تطبيق الهاتف

معاينة المتصفح تستخدم مسارها الخاص، بينما Flutter قد يفك الصور أو يقصها أو يطبّعها بطريقة مختلفة. إذا اختلفت النتائج فابدأ بصورة الاختبار نفسها على المسارين وقارن شكل الإدخال وترتيب القنوات والـlabels قبل تغيير النموذج. لا تفترض أن نجاح ملف على جهازك يثبت دعم كل delegate أو منصة. راقب زمن التحميل والاستدلال وحجم الأصول، واختر تجربة مستخدم تعرض لا نتيجة عندما لا تكفي الإشارة بدل تخمين فئة في كل مرة.

فحص بسيط لتنظيم البيانات

الكود أدناه لا يدرب شبكة؛ يتحقق أن أسماء عينات التدريب والتقييم لا تتداخل داخل سجل تجريبي. هذا فحص أولي مفيد لكنه لا يكتشف أن ملفين مختلفي الاسم هما الصورة نفسها أو صورتان من الفيديو ذاته. أضف بصمات ومراجعة مصدر العينات عند الحاجة. اختبر مجموعة فارغة وتكرار معرف ونفس المعرف في الجانبين، ثم اربط النتيجة بمقياس أداء على عينات لم يرها التدريب. الدقة التي تبلغها في مجموعة محددة لا تتحول تلقائيًا إلى ضمان دقة في جميع الصور الجديدة.

خطة تسليم النموذج للمطور

سلّم الأوزان وlabels ووصف المدخلات والمخرجات وإصدار التجربة معًا، ولا ترسل ملف model واحدًا في محادثة وتترك بقية الفريق يخمن طريقة استعماله. اكتب أي قص أو تسوية لون أو تطبيع طبقته، وكيف اختيرت مجموعة التقييم وما حدود ما جُرب. إذا أضفت فئة جديدة فقد يتغير ترتيب فهارس كل الفئات، لذلك حدث الاختبارات وملفات التطبيق معًا. يمكن إنشاء سجل بسيط لكل عينة يربط معرفها بفئتها ومصدرها والجلسة، دون حفظ معلومات لا تحتاجها المهمة. التحقق من disjoint IDs بداية لتنظيم البيانات فقط؛ صور فيديو متتابعة قد تبدو مختلفة بالأسماء لكنها لا تختبر التعميم جيدًا. قارن النتائج بعينات جديدة قبل وصف النموذج بأنه أصبح يفهم كل القطط أو الأدوات، واستخدم أمثلة أخطاء لتحديد ما يجب تحسينه في الجولة التالية.

مثال الشفرة وحدوده

void validateDatasetSplit(List<String> trainIds,List<String> testIds){
 if(trainIds.isEmpty||testIds.isEmpty)throw ArgumentError('Both splits required');
 if([...trainIds,...testIds].any((x)=>x.trim().isEmpty)){
  throw ArgumentError('Nonempty sample IDs required');
 }
 final train=trainIds.toSet(), test=testIds.toSet();
 if(train.length!=trainIds.length||test.length!=testIds.length){
  throw ArgumentError('Duplicate sample IDs');
 }
 if(train.intersection(test).isNotEmpty)throw ArgumentError('Train/test leakage');
}
// IDs describe fixtures, not images themselves.
// This catches obvious overlap; it does not detect near-duplicate photos
// or evaluate model quality. Export a real model before using Flutter inference.

الصور والفيديو من الشرح

قد تعرض المواد إصدارًا أقدم من المكتبات؛ اعتمد النص المصحح عند اختلاف الإعدادات أو الكود.

شرح كيفية استخدام الذكاء الاصطناعي في تطبيقات flutter بسهولهشرح كيفية استخدام الذكاء الاصطناعي في تطبيقات flutter بسهولهشرح كيفية استخدام الذكاء الاصطناعي في تطبيقات flutter بسهولهشرح كيفية استخدام الذكاء الاصطناعي في تطبيقات flutter بسهولهشرح كيفية استخدام الذكاء الاصطناعي في تطبيقات flutter بسهوله

مراجع التنفيذ

شاهد أيضًا
مقالات ذات صلة
🚫 مانع الإعلانات مفعل

يجب إيقاف مانع الإعلانات لاستكمال تصفح الموقع