دراسة الفرق بين استخدام نموذج الشبكة العصبية التلافيفية الضحلة في حالة بايثون وماتلاب للتعرف على الوجوه

الملخص

أصبحت الشبكات العصبية التلافيفية أدوات قوية لمهام رؤية  الحاسوب أوالكمبيوتر المختلفة مثل تصنيف الصور واكتشاف الكائنات وتجزئة الصورة. لقد أجرينا دراسة عملية في Matlab    و Python  لتقييم موثوقية النموذج الخفيف في ظل ظروف متنوعة مع الأخذ في الاعتبار أحجام مجموعات البيانات المختلفة وتحديات التعرف على الوجه. تم اختبار النموذج وتقييمه باستخدام نموذج VGG Face الذي أظهر أداءً مماثلاً في جميع مجموعات البيانات. نحن نستخدم مجموعة أدوات التعلم العميق في تطبيق  MATLAB، والتي توفر إعدادًا سهل الاستخدام لإنشاء نماذج CNN  وتدريبها وتقييمها. تُظهر التجارب كيف يمكن دمج تقنيات المعالجة المسبقة وزيادة البيانات ونقل التعلم بسلاسة لتحسين أداء CNN في مهام تصنيف الصور. نحن نتحقق من النماذج المدربة مسبقًا المستخدمة على نطاق واسع من المكتبات مثل TensorFlow وTorch Vision  لنمذجة التدريب وتعزيز دقة التصنيف. يتم تنفيذ التحليل المقارن على أساس القدرة على الاستخدام ومرونة التطبيقات. بالإضافة إلى ذلك، نقوم بتقييم كيفية أداء نماذج الشبكات العصبية التلافيفية على مجموعات البيانات القياسية، مع الإشارة إلى أوجه التشابه والاختلاف في وقت التدريب والدقة واستهلاك الموارد. تقدم هذه الورقة معرفة جيدة لتوجيهات الباحثين والطلاب والممارسين حول الجوانب العملية لتطبيق الشبكات العصبية التلافيفية في MATLAB وPython، مما يساعد في اختيار النظام الأساسي المثالي لمتطلباتهم في مجالات التعلم العميق والرؤية الحاسوبية.