تعليم موديل ذكاء اصطناعى التعرف على الوجوه

# تعليمات للمشتري عدد الأشخاص (Classes): * حتى 20 شخص (بدون اشتراط مشاهير محددين) عدد الصور: * إجمالي يصل إلى 3000 صورة * يفضل 100 صورة على الأقل لكل شخص * يتم تدريب النموذج فعليًا على حوالي 2000 صورة بعد المعالجة متطلبات الصور: * صور واضحة وعالية الجودة * تنوع في الزوايا والإضاءة * تساعد على استخراج الملامح بدقة رفع البيانات: * عبر Google Drive * بصيغة: JPG أو PNG مخرجات التسليم (حسب اختيارك): * نموذج مدرب جاهز للاستخدام * أو نموذج كود المشروع كامل * الكود منظم وجاهز للتشغيل مع مثال توضيحي صيغة التسليم: * ‎.ipynb * أو Google Colab Notebook التقييم والنتائج: * تقرير يوضح أداء النموذج (Accuracy تحليل النتائج) الشرح: * شرح طريقة تشغيل واستخدام النموذج * دعم للإجابة على الاستفسارات الاستخدام: * يمكن استخدام النموذج على بياناتك الخاصة * أو الحصول على نموذج عام * مناسب لتطبيقات مثل التعرف على الأشخاص في كاميرات المراقبة مرونة التسليم: * يمكن تسليم النموذج فقط أو الكود النموذج حسب الرغبة * إمكانية تخصيص الطلب حسب احتياجاتك وصف الخدمة - إعداد البيئة ورفع البيانات - معالجة البيانات - بناء النموذج - استراتيجية التدريب على مرحلتين: 1. المرحلة الأولى (Phase 1): يتم تدريب رأس النموذج فقط (الطبقات المضافة) مع تجميد EfficientNetB0. يستخدم learning_rate = 0.001 و label_smoothing لتحسين التعميم. تصل دقة التحقق (Validation Accuracy) هنا إلى حوالي 53.3%. ا2. لمرحلة الثانية (Phase 2 - Fine Tuning): يتم فك تجميد آخر 30 طبقة فقط من EfficientNetB0 لضبطها برفق (Safe Fine-Tuning). يتم تقليل learning_rate بشكل كبير جداً إلى 3e-6 للحفاظ على الملامح المستفادة سابقاً. هذه المرحلة مبكرة التوقف (Early Stopping) ولم تظهر تحسناً كبيراً، واستعادت أوزان المرحلة الأولى. - التقييم والنتائج - أداة التفسير البصري (Grad-CAM)