Prompt Engineering for Vision Models
مقدمة عملية لهندسة الأوامر والتحكم في نماذج الرؤية لتجزئة الصور، واكتشاف الكائنات، وتوليد الصور، والرسم الداخلي، وتوليد الصور المخصصة.
حول الدورة
هندسة الأوامر لنماذج الرؤية هي دورة قصيرة للمبتدئين من DeepLearning.AI بالتعاون مع Comet. وهي توسع نطاق هندسة الأوامر إلى ما هو أبعد من النماذج النصية وتوضح كيفية التحكم في نماذج الرؤية باستخدام اللغة الطبيعية، وإحداثيات البكسل، والمربعات المحيطة، وأقنعة التجزئة، ومعلمات التوليد. يعمل المتعلمون مع تقنيات تشمل نموذج Segment Anything من Meta، وOWL-ViT، وStable Diffusion، وDreamBooth، بينما يستكشفون تجزئة الصور، واكتشاف الكائنات، وتوليد الصور، والرسم الداخلي، والضبط الدقيق، وتتبع التجارب.
يفتح موقعاً خارجياً في علامة تبويب جديدة.
نتائج التعلم
- فهم كيفية اختلاف هندسة الأوامر بين النماذج النصية ونماذج الرؤية
- توجيه نماذج الرؤية باستخدام النص والإحداثيات والمربعات المحيطة
- ضبط معلمات توليد الصور مثل مقياس التوجيه، والقوة، وخطوات الاستدلال
- استخدام نماذج تجزئة الصور لعزل أجزاء من الصورة
- استخدام أوامر اللغة الطبيعية لاكتشاف الكائنات بدون أمثلة مسبقة (zero-shot)
- الجمع بين التجزئة واكتشاف الكائنات وتوليد الصور للرسم الداخلي
- فهم كيف يمكن لـ DreamBooth تخصيص مخرجات نماذج الانتشار
- استخدام تتبع التجارب لمقارنة الأوامر البصرية وتكوينات المعلمات الفائقة
المهارات المشمولة
هندسة الأوامر, الرؤية الحاسوبية, هندسة الأوامر متعددة الوسائط, توليد الصور, تجزئة الصور, اكتشاف الكائنات, نماذج الانتشار, الضبط الدقيق, الرسم الداخلي (In-painting), تخصيص الذكاء الاصطناعي, تتبع التجارب
المنهج
- مقدمة
تقدم هندسة الأوامر البصرية وأهداف الدورة.
- نظرة عامة
تشرح نماذج الرؤية، وطرق صياغة الأوامر، وسير العمل المستخدم طوال الدورة.
- تجزئة الصور
تستكشف توجيه نماذج تجزئة الصور باستخدام إحداثيات ومربعات محيطة إيجابية وسلبية.
- اكتشاف الكائنات
تستخدم أوامر اللغة الطبيعية مع نماذج اكتشاف الكائنات لتحديد وعزل الكائنات داخل الصور.
- توليد الصور
تستكشف توليد الصور القائم على الانتشار ومعلمات مثل مقياس التوجيه، والقوة، وخطوات الاستدلال.
- الضبط الدقيق
تقدم تخصيص نماذج الانتشار باستخدام DreamBooth وتوضح كيف يمكن للضبط الدقيق توفير تحكم أكبر في الصور المولدة.
- الخاتمة
تراجع تقنيات وسير عمل هندسة الأوامر البصرية الرئيسية التي تمت تغطيتها في الدورة.
المتطلبات السابقة
- يوصى بوجود خبرة في لغة Python
- لا تتطلب خبرة متقدمة في الرؤية الحاسوبية
الجمهور المستهدف
مصممو الذكاء الاصطناعي, المطورون, مهندسو الأوامر, التقنيون المبدعون, صناع محتوى الذكاء الاصطناعي, مبتدئو الرؤية الحاسوبية, ممارسو الذكاء الاصطناعي التوليدي
الأفضل لـ
- المتعلمون الذين يتبعون مسار تعلم مصمم الذكاء الاصطناعي
- مهندسو الأوامر الذين يتوسعون في الذكاء الاصطناعي متعدد الوسائط
- المطورون المهتمون بتطبيقات الصور التوليدية
- المبدعون الذين يرغبون في فهم الأسس التقنية لتوليد الصور بالذكاء الاصطناعي
- مستخدمو Python الذين يبدأون في استكشاف الرؤية الحاسوبية ونماذج الانتشار
المزايا
- مقدمة عملية لهندسة الأوامر البصرية
- تغطي أنواعاً متعددة من نماذج الرؤية وليس فقط توليد الصور
- تتضمن أمثلة برمجية عملية
- تغطي التجزئة، واكتشاف الكائنات، وتوليد الصور، والضبط الدقيق
- تقدم تخصيص DreamBooth
- توضح تتبع التجارب لهندسة الأوامر البصرية التكرارية
العيوب
- يوصى بوجود خبرة في Python
- بعض النماذج والتقنيات المغطاة هي تطبيقات محددة وليست مسحاً شاملاً لأنظمة الرؤية الحديثة
- التنسيق القصير يحد من عمق نظرية الرؤية الحاسوبية المتقدمة
- لا توفر تدريباً شاملاً على النشر في بيئة الإنتاج
معلومات الدورة
- المزوّد:
- DeepLearning.AI
- المدرّس:
- Abby Morgan, Jacques Verré and Caleb Kaiser
- المدة:
- 1 hour 22 minutes
- المستوى:
- مبتدئ
- اللغة:
- English
الشهادة وطريقة التقديم
شهادة متاحة
الصيغة: Online, Self-paced, Video lessons, Interactive code examples
أدوات يمكنك استخدامها مع هذه الدورة
Stable Diffusion
نموذج انتشار كامن متطور قادر على توليد صور واقعية من مطالبات نصية.
- تشير هذه الدورة مباشرة إلى الأداة
- فئة الأداة تطابق هذه الدورة
DALL-E
نموذج ذكاء اصطناعي متطور يولد صوراً أصلية عالية الجودة من أوصاف نصية.
- فئة الأداة تطابق هذه الدورة
Ideogram
Ideogram هو مولد صور متطور بالذكاء الاصطناعي متخصص في إنشاء صور عالية الجودة مع نصوص دقيقة ومدمجة.
- فئة الأداة تطابق هذه الدورة
Leonardo.ai
منصة ذكاء اصطناعي توليدي متعددة الاستخدامات لإنشاء أصول مرئية عالية الجودة، ومحسنة خصيصاً لتطوير الألعاب والمشاريع الإبداعية.
- فئة الأداة تطابق هذه الدورة
مسارات تعلم ذات صلة
مسار تعلم صانع المحتوى بالذكاء الاصطناعي
مسار تعلم عملي للمبدعين الذين يرغبون في استخدام الذكاء الاصطناعي طوال عملية إنتاج المحتوى. يغطي المسار البحث، وتوليد الأفكار، والكتابة، والإنشاء المرئي، وإنتاج الفيديو، والصوت، وإعادة التوظيف، والتحرير، ومراقبة الجودة، وسير عمل النشر متعدد التنسيقات.
مسار تعلم مصمم الذكاء الاصطناعي
مسار تعلم عملي للمصممين والمبدعين والمحترفين في المجال البصري الذين يرغبون في دمج الذكاء الاصطناعي في سير عمل التصميم الحديث. يغطي المسار الموجزات الإبداعية، والتفكير البصري، وصياغة أوامر الصور، وأدوات الصور التوليدية، وتصميم التخطيط والعروض التقديمية، وتحسين الصور، والاتساق، ومراقبة الجودة، وتطوير محفظة الأعمال.
مسار تعلم مطور الذكاء الاصطناعي
مسار تعلم منظم لمطوري الذكاء الاصطناعي الطموحين الذين يرغبون في فهم أنظمة الذكاء الاصطناعي الحديثة وبناء تطبيقات مفيدة مدعومة بالذكاء الاصطناعي. يجمع المسار بين المفاهيم الأساسية، وأدوات الذكاء الاصطناعي العملية، وسير عمل البرمجة، والمشاريع الموجهة، ومعالم التطوير.
مسار تعلم هندسة الأوامر (Prompt Engineering)
مسار تعلم عملي لتطوير مهارات هندسة الأوامر عبر مساعدي الذكاء الاصطناعي الحديثين وسير العمل. يغطي المسار هيكل الأمر، وتصميم السياق، ومقارنة النماذج، وقيود المخرجات، والتقييم، وسير عمل البحث، والتكرار، والمشاريع العملية.
مصطلحات ذات صلة
الذكاء الاصطناعي متعدد الوسائط (Multimodal AI)
يشير الذكاء الاصطناعي متعدد الوسائط إلى الأنظمة التي يمكنها معالجة أو فهم أو توليد أكثر من نوع واحد من المعلومات، مثل النصوص أو الصور أو الصوت أو الفيديو أو البيانات المنظمة.
الضبط الدقيق (Fine-Tuning)
الضبط الدقيق هو عملية تدريب إضافي لنموذج ذكاء اصطناعي موجود مسبقاً على بيانات إضافية خاصة بمهمة معينة أو مجال معين لتعديل سلوكه أو قدراته.