> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/arabic/almyzat-alreysyh/annotate-data-for-object-detection/dataset-collection.md).

# جمع مجموعة البيانات

أسرع طريقة لبناء نموذج ذكاء اصطناعي عالي الأداء هي "التقاط البيانات عمدًا". تغطي هذه الصفحة كيفية جمع صور وفيديوهات عالية الجودة باستخدام أدوات AugeLab Studio المدمجة.

{% hint style="info" %}
يمكنك تخطي هذا القسم إذا كان لديك بالفعل مجلد من الصور/الفيديوهات جاهزًا للتعليق (annotation).
{% endhint %}

***

## التخطيط لمجموعة البيانات

من الضروري التخطيط لمجموعة البيانات قبل البدء في جمعها. مجموعة بيانات منظمة جيدًا تؤدي إلى أداء أفضل للنموذج.

### 📊 كم من البيانات تحتاج؟

يعتمد عدد الصور المطلوبة على مدى تغير البيئة. استخدم الجدول أدناه كنقطة بداية لهدف الجمع.

| نوع المشروع     | البيئة                                   | الصور الموصى بها لكل فئة\* |
| --------------- | ---------------------------------------- | -------------------------- |
| **بسيط**        | إضاءة منظمة، كاميرا ثابتة، 1-2 فئة.      | **50 - 150**               |
| **صناعي**       | أرضية المصنع، تغيّر الشفتات، سير ناقل.   | **200 - 500**              |
| **معقّد**       | إضاءة متغيرة، فئات كثيرة، كاميرا متحركة. | **1,000+**                 |
| **معقّد خارجي** | مشاهد خارجية مع تغيّر الطقس.             | **2,000+**                 |
| **حدث نادر**    | كشف عيوب أو تسريبات نادرة.               | **50 Target / 100 Empty**  |

> \*الصور لكل فئة تشير إلى عدد الأمثلة المعلّمة لكل فئة كائنية، وليس فقط إجمالي عدد الصور.

{% hint style="info" %}
للحصول على أفضل النتائج، استهدف **تنوعًا** في الزوايا، المسافات، والإضاءة داخل مجموعة البيانات.
{% endhint %}

{% hint style="warning" %}
يجب أن يكون عدد الفئات متناسقًا عبر مجموعة البيانات. إذا لم يكن كذلك، قد تساعدك عمليات **التوسيع (augmentation)** في موازنة الفئات لاحقًا.
{% endhint %}

***

### 🏗️ تحديد الحدود

دوّن هذه النقاط قبل التقاط الصورة الأولى لضمان أن تكون مجموعة البيانات **ممثلة** و**متسقة**.

1. **قائمة الفئات**: ما هي الأشياء المحددة التي ستقوم بالكشف عنها؟
2. **مواصفات الكاميرا**: ما هو زاوية التركيب النهائية، المسافة، ومجال الرؤية (FoV)؟ كاميرا واحدة أم متعددة؟
3. **التغيرات**: هل ستحدث تغيّرات في الإضاءة (انعكاسات/ظلال) أو تشويش في الخلفية؟
4. **الصور السلبية (Negatives)**: كيف يبدو المشهد "الفارغ"؟
5. **النطاق**: ما الأشياء التي يجب أن يتجاهلها النموذج عمدًا؟

***

## إعدادات الكاميرا

سواء كنت تستخدم كاميرا USB أو كاميرا IP أو كاميرا صناعية، تأكد من تحسين الإعدادات التالية قبل الجمع:

* **Resolution**: استهدف 480p إلى 720p (640x480 معيار شائع). يمكن تقليل الدقة لاحقًا.
* **Frame Rate**: 15-30 FPS كافية لمعظم مهام كشف الكائنات.
* **Focus**: اضبط على التركيز اليدوي لتجنب التغيّرات أثناء الجمع.
* **Exposure**: استخدم إعدادات التعرض اليدوي للحفاظ على إضاءة متسقة.
* **Save Settings**: احفظ ملف تعريف إعدادات الكاميرا؛ معظم الكاميرات تسمح بحفظ الإعدادات المسبقة للحفاظ على الاتساق بين الجلسات.

## جمع مجموعة البيانات

يمكنك جمع الصور والفيديوهات لمجموعة بيانات كشف الكائنات مباشرة داخل AugeLab Studio باستخدام الأدوات المدمجة. هذا يضمن التوافق ويسهّل عملية التعليق (annotation).

> خيار آخر هو تنزيل مجموعات بيانات عامة أو استخدام كاميرات/برامج خارجية، لكن قد يتطلب ذلك خطوات إضافية لتنسيق الملفات.

### الالتقاط داخل AugeLab Studio

يوفر بيئة Studio إمكانية استخدام محركات تشغيل (أزرار، إشارات PLC، أو مؤقتات) لأتمتة عملية الجمع.

### 1. ابدأ من مشروع المثال

تأتي AugeLab مع قالب معد مسبقًا لهذا الغرض.

* المسار: `File` → `Example Projects` (أو "Example Scenarios")
* المشروع: **"Data Collection for AI Training"**

### 📸 صور ثابتة: كتلة `Image Write`

استخدم هذه الكتلة لالتقاط إطارات ثابتة عالية الجودة. تناسب "نفس المشهد، مواقع متعددة".

| Input/Setting      | المنطق                                               |
| ------------------ | ---------------------------------------------------- |
| **Folder Path**    | مكان حفظ الصور.                                      |
| **Save (Trigger)** | اضبطها على `True` لالتقاط إطار. زوجها مع زر أو مؤقت. |
| **Compress Image** | **Checked** = `.jpg` (حجم أصغر)                      |

### 🎥 حركة متواصلة: كتلة `Record Video`

مناسبة لأحزمة النقل أو الفحوصات السريعة حيث تنوي استخراج إطارات لاحقًا.

| Input/Setting              | المنطق                                   |
| -------------------------- | ---------------------------------------- |
| **Video Quality**          | **Compressed** = `.mp4`                  |
| **Trigger Mode: Spacebar** | اضغط مفتاح المسافة لبدء/إيقاف التسجيل.   |
| **Trigger Mode: Once**     | `Record=True` يبدّل التسجيل تشغيل/إيقاف. |

> خطط للتسجيلات كملفات قصيرة ومركزة (10–60 ثانية) بدلاً من ملف ضخم واحد. هذا يُسهّل استخراج الإطارات لاحقًا.

***

## 📉 جمع صور الخلفية (Negative)

يحتاج النموذج القوي إلى معرفة ما *لا* يجب اكتشافه. يجب عليك التقاط مشاهد "فارغة" عمدًا.

* **ما الذي يجب التقاطه**: أحزمة ناقلة فارغة، محطات عمل فارغة، أو أشياء غير مستهدفة شائعة (حوامل، أدوات).
* **Empty**: يوجد ملف تعليق (annotation) لكنه لا يحتوي على مربعات.
* **Excluded**: لا يوجد ملف تعليق على الإطلاق.

***

## مجموعات البيانات العامة

إذا احتجت إلى تكملة بياناتك، ففكّر في هذه المجموعات العامة:

* [COCO Dataset](https://cocodataset.org/#home): مجموعة بيانات واسعة للكشف عن الكائنات والتقطيع والتعليقات التوضيحية.
* [Pascal VOC](http://host.robots.ox.ac.uk/pascal/VOC/): مجموعة معيارية للكشف عن الكائنات والتقطيع.
* [Open Images Dataset](https://storage.googleapis.com/openimages/web/index.html): مجموعة تحتوي على \~9 ملايين صورة مع تسميات وصناديق محيطة.
* [ImageNet](http://www.image-net.org/): قاعدة بيانات بصرية كبيرة مصممة لأبحاث التعرف البصري.
* [Kaggle Datasets](https://www.kaggle.com/datasets): مجموعات بيانات متنوعة للتعلم الآلي، بما في ذلك كشف الكائنات.

## 📂 هيكل المجلدات والتحضير

يقوم AugeLab Studio بتحميل مجموعات البيانات عبر المجلدات. تأكد من أن هيكلك يبدو كالتالي:

```
my_dataset/
  ├── 000001.jpg
  ├── 000002.jpg
  ├── background_01.png
  └── classes.names  <-- (Optional, will be created during annotation)
```

***

## 🏁 قائمة التحقق عند الالتقاط

| تحقق           | المتطلبات                                                                  |
| -------------- | -------------------------------------------------------------------------- |
| **Quality**    | تجنّب طمس الحركة الشديد أو الإفراط في التعريض حيث تختفي الحواف.            |
| **Coverage**   | التقط الأشياء في المركز، الزوايا، وحواف الإطار.                            |
| **Scale**      | طابق المسافة الحقيقية من الكاميرا إلى الكائن.                              |
| **Clutter**    | تضمّن الخلفيات المزدحمة التي سترى الكاميرا فعليًا.                         |
| **Resolution** | تعمل معظم نماذج الذكاء الاصطناعي بشكل أفضل بين 480p و720p (640x480 متوسط). |