بناء نموذج ذكاء اصطناعي لتصنيف الصور باستخدام PyTorch

نبذة عن المشروع:

في هذا المشروع، تم بناء وتدريب نموذج ذكاء اصطناعي متقدم قادر على تصنيف الصور بدقة ضمن 10 فئات مختلفة (مثل: طائرة، سيارة، طائر، قطة، إلخ). تم الاعتماد بشكل كامل على مكتبة PyTorch، وهي إحدى أقوى أطر العمل المستخدمة في مجال التعلم العميق، وتم تصميم شبكة عصبونية التفافية (CNN) مخصصة لهذا الغرض.

أبرز ما تم إنجازه في المشروع:

بناء شبكة عصبونية التفافية (CNN) من الصفر باستخدام PyTorch.

تدريب النموذج على مجموعة بيانات CIFAR-10 الشهيرة التي تحتوي على 60,000 صورة.

تحقيق دقة تصنيف تصل إلى 53% على بيانات الاختبار، وهي نسبة تتفوق بشكل كبير على التخمين العشوائي (10%).

حفظ النموذج المدرب (Trained Model) في ملف منفصل (.pth) لإعادة استخدامه في تطبيقات أخرى دون الحاجة لإعادة التدريب.

إثبات فعالية النموذج عبر اختباره بنجاح على صور جديدة تمامًا لم يرها من قبل.

خطوات العمل:

تحميل وتجهيز البيانات (Data Loading & Preprocessing): تم تحميل مجموعة بيانات CIFAR-10 ومعالجتها وتطبيعها (Normalization) لتكون جاهزة للتدريب.

تصميم وبناء النموذج (Model Architecture): تم تعريف بنية الشبكة العصبونية الالتفافية التي تتكون من طبقات التفافية (Convolutional) وطبقات تجميع (Pooling) وطبقات متصلة بالكامل (Fully Connected).

تدريب النموذج (Model Training): تم تدريب النموذج على بيانات التدريب لعدة دورات (Epochs) باستخدام دالة خسارة (Loss Function) ومُحسِّن (Optimizer) مناسبين لمهمة التصنيف.

تقييم الأداء (Performance Evaluation): تم اختبار النموذج على 10,000 صورة من بيانات الاختبار لقياس دقته وكفاءته.

الاختبار العملي (Inference): تم استخدام النموذج المحفوظ لتصنيف صورة جديدة خارجية بنجاح، مما يثبت قدرته على العمل في بيئة حقيقية.