ViT (وژن ٹرانسفارمر) گہرے سیکھنے پر مبنی کمپیوٹر وژن سسٹم کی ایک قسم ہے جسے گوگل نے 2020 میں تیار کیا ہے۔ یہ ایک ٹرانسفارمر پر مبنی فن تعمیر ہے جو تصویر کی درجہ بندی کے کاموں کے لیے اپنی مرضی کے مطابق توجہ کے طریقہ کار پر انحصار کرتا ہے۔ ViT بصری ڈیٹا کو سمجھنے کے لیے ایک طاقتور ٹول ہے، کیونکہ یہ مختلف پیمانوں اور تجریدی سطحوں پر خصوصیات کو نکالنے کی اجازت دیتا ہے۔
ViT دو اہم اجزاء پر مشتمل ہے۔ ویژن نیٹ ورک (ViT) اور ٹرانسفارمر نیٹ ورک (ViT-T)۔ ViT تصویری خصوصیات کو نکالنے اور تصویروں کو فیچر ویکٹر کے طور پر پیش کرنے کے لیے convolutional blocks کے اسٹیک کا استعمال کرتا ہے۔ ٹرانسفارمر نیٹ ورک کا استعمال وژن نیٹ ورک کے ذریعے پیدا کردہ خصوصیات کا تجزیہ اور تشریح کرنے کے لیے کیا جاتا ہے، جس سے درجہ بندی کے مزید پیچیدہ کاموں کی اجازت ملتی ہے۔
ViT بڑے ڈیٹاسیٹس تک پیمانہ کرنے کی صلاحیت کے ساتھ ساتھ چھوٹی مقدار میں ڈیٹا سے سیکھنے کی صلاحیت کے لیے بھی قابل ذکر ہے۔ اسے کمپیوٹر ویژن میں ایک اہم پیش رفت کے طور پر دیکھا جاتا ہے، کیونکہ یہ بڑے پیمانے پر بصری ڈیٹا کو بہتر طور پر سمجھنے کی اجازت دیتا ہے۔
ViT نے پہلے ہی مختلف شعبوں میں متعدد ایپلی کیشنز دیکھی ہیں، جیسے میڈیکل امیجنگ، روبوٹکس، اور قدرتی زبان کی پروسیسنگ۔ اس کا استعمال موجودہ کمپیوٹر ویژن سسٹم کو بہتر بنانے اور بہتر بنانے کے لیے بھی کیا گیا ہے۔
ViT ذہین مشینوں کی ترقی کے لیے بہت زیادہ وعدہ ظاہر کرتا ہے، کیونکہ یہ مشینوں کو پیچیدہ بصری ڈیٹا کو زیادہ درست اور مستقل انداز میں تشریح کرنے کے قابل بناتا ہے۔ یہ ٹکنالوجی مستقبل میں مصنوعی ذہانت اور مشین لرننگ سسٹمز کی ترقی میں اہم کردار ادا کر سکتی ہے۔