دليل إلى التعليق بالمضلعات باستخدام Ultralytics Platform

تشق تقنيات الذكاء الاصطناعي المتقدمة طريقها إلى مجموعة واسعة من الصناعات، بدءًا من القيادة الذاتية ووصولًا إلى الزراعة الدقيقة. فعلى سبيل المثال، يستخدم مزارعو الألبان الذكاء الاصطناعي وتحليل الصور لاكتشاف الأمراض لدى الأبقار. ويمكن مراقبة مشكلات صحية مثل العرج من خلال ملاحظة التغيرات في مشية الحيوان ووضعية جسمه، مثل تقوس الظهر والحركة غير المتناظرة.

الشكل 1. مثال على مراقبة الأبقار باستخدام الذكاء الاصطناعي وتحليل الصور.

يتيح الرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي، هذه التطبيقات من خلال تمكين الآلات من تفسير البيانات المرئية وتحليلها. وتحديدًا، يُعد تقسيم الكائنات مهمةً في الرؤية الحاسوبية تحدد كل كائن في الصورة وتقسمه على مستوى البكسل، مما يتيح اكتشاف الحيوانات الفردية وتحليلها بدقة.

يؤدي وضع علامات المضلع دورًا رئيسيًا في هذه العملية. فهو أسلوب لوضع علامات على البيانات يُستخدم لتتبع الشكل الدقيق للكائن في الصورة بعناية، وذلك بوضع نقاط على امتداد حوافه. وعلى خلاف علامات مربعات الإحاطة البسيطة، يتبع هذا الأسلوب المحيط الحقيقي للكائن، مما يساعد على إنشاء بيانات تدريب أكثر دقة ويمكّن نماذج الذكاء الاصطناعي للرؤية من فهم حدود الكائنات بصورة أفضل.

تتوفر في الوقت الحاضر أدوات عديدة لإنشاء علامات المضلعات. إلا أن هذه الخيارات قد تبدو مجزأة في كثير من الأحيان، لا سيما عندما توفر دعمًا غير متسق أو محدودًا لأنواع مختلفة من العلامات، مما يصعّب إدارة احتياجات وضع العلامات المتنوعة ضمن سير عمل واحد.

تعالج Ultralytics Platform، وهي مساحة العمل الجديدة للرؤية والذكاء الاصطناعي الشاملة التي تسد الفجوة بين إدارة مجموعات البيانات ووضع العلامات والتدريب والنشر والمراقبة، هذه المشكلة من خلال دعم أنواع متعددة من العلامات وسير العمل المدعوم بالذكاء الاصطناعي ضمن مساحة عمل سلسة واحدة، مما يبسّط عملية وضع العلامات بأكملها.

سنستكشف في هذه المقالة ماهية علامات المضلعات وكيفية إنشائها باستخدام Ultralytics Platform. فلنبدأ!

نظرة عن كثب على وضع علامات المضلع#

قبل أن نتعمق في Ultralytics Platform وميزات وضع علامات المضلعات فيها، لنتراجع خطوة إلى الوراء ونتعرف على ماهية وضع علامات المضلع.

وضع العلامات على الصور هو عملية إضافة تسميات إلى البيانات المرئية حتى تتمكن نماذج الذكاء الاصطناعي من فهم ما تراه. ويتضمن عادةً تحديد الكائنات في الصورة ووضع علامات عليها بطريقة يمكن للنموذج التعلم منها.

من أكثر الأساليب شيوعًا رسم مربعات مستطيلة حول الكائنات، وتُعرف باسم مربعات الإحاطة. إلا أن مربعات الإحاطة لا توفر سوى مخطط تقريبي للكائن. أما وضع علامات المضلع فهو أسلوب أكثر دقة.

يعمل هذا الأسلوب على تحديد محيط الكائن (حدوده) نقطةً تلو الأخرى بدلًا من إحاطته بمربع. ولتنفيذ ذلك، يضع واضعو العلامات عدة رؤوس (نقاط) على امتداد حواف الكائن، متتبعين محيطه حتى يُغطى الشكل بالكامل.

تشكل هذه النقاط المتصلة مضلعًا يحاكي المحيط الطبيعي للكائن. وبما أن الشكل يتبع حدود الكائن عن كثب، تلتقط العلامة تفاصيل غالبًا ما تفوت أساليب وضع العلامات التقليدية. ويفيد ذلك خصوصًا عندما تكون للكائنات أشكال غير منتظمة أو حواف معقدة، مثل الأوراق وهيئات البشر والكائنات المتداخلة.

تساعد هذه الدقة في البيانات نماذج التعلم الآلي على التعلم بفعالية أكبر أثناء تدريب النموذج. وعندما تلتقط العلامات الحدود الحقيقية للكائن بدقة، تتمكن النماذج من فهم أنماط الكائن على مستوى البكسل بصورة أفضل. ويؤدي ذلك إلى تحسين أداء النموذج، لا سيما في مهام التقسيم التي تتطلب دقة عالية.

دور علامات المضلعات في سير عمل الرؤية الحاسوبية#

إذًا، كيف تُستخدم علامات المضلعات فعليًا؟ إنها ترتبط ارتباطًا وثيقًا بـنماذج الذكاء الاصطناعي للرؤية التي تدعم مهام تقسيم الصور مثل تقسيم الكائنات.

في العديد من تطبيقات الرؤية الحاسوبية، من الضروري معرفة المساحة الدقيقة التي يشغلها كل كائن في الصورة أو إطار الفيديو. ومن الأمثلة الجيدة على ذلك اكتشاف أجزاء السيارات في التصنيع. ففي هذه الحالة، تحتاج النماذج إلى تحديد أجزاء مثل الأبواب والنوافذ والمصابيح الأمامية وتحديد محيطها بدقة، حتى عندما تتداخل أو تكون ذات أشكال معقدة.

هنا يأتي دور تقسيم الكائنات. فهو يمكّن النماذج من اكتشاف كل كائن ورسم حدوده الدقيقة على مستوى البكسل. ويختلف ذلك عن اكتشاف الكائنات الأساسي الذي يستخدم مربعات الإحاطة.

الشكل 2. يمكن أن يساعد تقسيم الكائنات أيضًا على تمييز الأجزاء المتضررة من السيارة. (المصدر)

لا توفر مربعات الإحاطة سوى مناطق مستطيلة تقريبية حول الكائنات، وغالبًا ما تتضمن خلفية إضافية، مما يصعّب التقاط الأشكال غير المنتظمة أو فصل العناصر المتداخلة.

يؤدي وضع علامات المضلع دورًا حيويًا في إتاحة هذا المستوى من الدقة. إذ يؤدي تتبع الشكل الدقيق لكل كائن في صور مجموعة البيانات إلى إنشاء بيانات تدريب عالية الجودة تعكس الحدود الحقيقية للكائنات. وتساعد هذه العلامات التفصيلية نماذج مثل Ultralytics YOLO26 على فهم بنية كل مكوّن بصورة أفضل، مما يؤدي إلى نتائج أكثر دقة في التقسيم.

قيود أدوات وضع العلامات التقليدية على الصور#

لنستعرض بعد ذلك قيود أدوات وضع العلامات التقليدية لفهم الحاجة إلى حلول أكثر كفاءة وقابلية للتوسع مثل Ultralytics Platform.

فيما يلي بعض التحديات الشائعة التي يواجهها واضعو العلامات عند استخدام أدوات وضع علامات المضلعات التقليدية:

• دعم محدود لأنواع العلامات: تركز بعض الأدوات على تقنية واحدة لوضع العلامات، مما يصعّب العمل مع أنواع مختلفة مثل المضلعات ومربعات الإحاطة والنقاط الأساسية في مكان واحد.
• التعامل غير الفعال مع العلامات المعقدة: قد تفتقر الأدوات إلى ميزات تسهّل وضع علامات دقيقة على الكائنات المعقدة ذات التفاصيل الدقيقة.
• غياب الميزات المدعومة بالذكاء الاصطناعي: تعتمد أدوات كثيرة كليًا على العمل اليدوي، من دون دعم مدمج من الذكاء الاصطناعي لتسريع وضع العلامات.
• إدارة مجزأة لمجموعات البيانات: قد تكون إدارة مجموعات البيانات وإصداراتها وعلاماتها صعبة، لا سيما عندما لا توفر الأدوات مساحة عمل مركزية.

تعالج Ultralytics Platform هذه المخاوف بميزات لوضع العلامات مدعومة بالذكاء الاصطناعي، وتعمل بواسطة كل من نماذج تقسيم أي شيء (SAM) ونماذج YOLO. يتيح SAM للمستخدمين إنشاء أقنعة تقسيم عالية الجودة من مدخلات بسيطة مثل النقرات، والتي يمكن تحسينها بعد ذلك لتصبح علامات مضلعات دقيقة.

وبالمثل، يستخدم وضع العلامات الذكي المعتمد على YOLO نماذج YOLO مدرّبة مسبقًا أو مخصّصة لإجراء الاستدلال على صورة وإضافة تنبؤات، مثل مربعات الإحاطة أو أقنعة التقسيم أو مربعات الإحاطة الموجّهة، كعلامات يمكن مراجعتها وتعديلها حسب الحاجة. وتجعل هذه الإمكانات مجتمعةً عملية وضع العلامات أسرع وأكثر اتساقًا وأسهل في التوسع.

أنواع مختلفة من العلامات التي تدعمها Ultralytics Platform#

تتضمن Ultralytics Platform محررًا متكاملًا لوضع العلامات، يتيح للمستخدمين وضع علامات على الصور مباشرةً داخل مساحة العمل. ويسهّل ذلك إنشاء مجموعات البيانات وإدارتها من دون الاعتماد على أدوات منفصلة، غالبًا ما تستغرق وقتًا طويلًا، لوضع علامات على البيانات.

بالإضافة إلى علامات المضلعات، تدعم Ultralytics Platform عدة أنواع أخرى من العلامات. وفيما يلي نظرة سريعة:

• مربعات الإحاطة: يمكن لواضعي العلامات رسم مربعات مستطيلة بسيطة حول الكائنات، مما يسهل وضع علامات عليها واكتشافها في الصورة.
• النقاط الأساسية: يُستخدم هذا الأسلوب لتحديد نقاط معينة، مثل مفاصل الجسم أو المعالم، لمهام مثل تقدير الوضعية.
• مربعات الإحاطة الموجّهة (OBBs): تتيح هذه المربعات للمستخدمين التقاط الكائنات المدورة أو المائلة بدقة أكبر مقارنةً بمربعات الإحاطة القياسية.
• تسميات التصنيف: في المهام الأبسط، يمكن للمستخدمين إسناد تسميات إلى الصور بأكملها بدلًا من تحديد الكائنات الفردية.

وضع علامات على الكائنات باستخدام المضلعات في Ultralytics Platform#

لنرَ الآن كيفية إنشاء علامات المضلعات على Ultralytics Platform، يدويًا أو باستخدام أدوات مدعومة بالذكاء الاصطناعي.

إنشاء علامات المضلعات يدويًا على Ultralytics Platform#

فيما يلي دليل سريع خطوةً بخطوة لإنشاء علامات المضلعات يدويًا:

• الخطوة 1 - الانتقال إلى مجموعة البيانات: افتح مجموعة البيانات التي تحتوي على الصور التي تريد وضع علامات عليها. هنا تُخزّن صورك وعلاماتك وتُدار.
• الخطوة 2 - فتح صورة: انقر على صورة لفتحها في واجهة وضع العلامات. يعتمد سير عمل وضع العلامات على مهمة مجموعة البيانات. فعلى سبيل المثال، تُنشأ العلامات في مجموعة بيانات تقسيم الكائنات باستخدام أقنعة المضلعات.
• الخطوة 3 – بدء إنشاء قناع: انقر على الصورة لبدء وضع العلامات. تضيف كل نقرة رأسًا على امتداد حدود الكائن.
• الخطوة 4 – تتبع محيط الكائن: واصل النقر حول حواف الكائن لتحديد شكله.
• الخطوة 5 – إكمال المضلع: يمكنك إما الضغط على “Enter” أو النقر على النقطة الأولى لإكمال المضلع وإسناد تسمية فئة.
• الخطوة 6 – إضافة علامات أخرى: كرر العملية لإنشاء مزيد من المضلعات للكائنات الأخرى في الصورة.
• الخطوة 7 – حفظ العلامات: تُحفظ العلامات تلقائيًا أثناء إنشائها.

الشكل 3. نظرة على إنشاء علامات المضلعات يدويًا باستخدام Ultralytics Platform (المصدر)

وضع علامات المضلعات الذكي على Ultralytics Platform#

لنلقِ نظرة بعد ذلك على ميزات وضع العلامات المدعومة بالذكاء الاصطناعي التي توفرها Ultralytics Platform لتسريع عملية وضع العلامات.

توفر المنصة نهجين لوضع العلامات الذكي: أحدهما مدعوم بنماذج تقسيم أي شيء لإنشاء العلامات تفاعليًا بالاعتماد على النقرات، والآخر مدعوم بنماذج YOLO لإضافة تنبؤات النموذج مباشرةً كعلامات. ويمكن استخدام كلا النهجين لوضع علامات المضلعات الذكي.

وضع العلامات الذكي باستخدام SAM ضمن Ultralytics Platform#

يبسّط وضع العلامات المدعوم بـ SAM على Ultralytics Platform عملية وضع العلامات يدويًا، وذلك باستخدام نموذج تقسيم أي شيء (SAM) لإنشاء أقنعة التقسيم بأقل قدر من المدخلات. وبدلًا من تتبع الكائنات نقطةً تلو الأخرى، يمكن للمستخدمين التفاعل مع الصورة باستخدام مطالبات بسيطة مثل النقرات لتحديد ما ينبغي تضمينه أو استبعاده.

تدعم المنصة عدة نماذج من SAM، بما في ذلك SAM 2.1 وSAM 3، مما يتيح للمستخدمين الاختيار بين أداء أسرع أو دقة أعلى وفقًا لاحتياجاتهم. وبناءً على مدخلات المستخدم، ينشئ SAM أقنعة على مستوى البكسل في الوقت الفعلي. ويمكن بعد ذلك تحسين هذه الأقنعة واستخدامها كعلامات مضلعات، مما يجعل العملية أسرع وأكثر اتساقًا وأسهل في التوسع.

فيما يلي خطوات استخدام SAM لوضع علامات المضلعات في Ultralytics Platform:

• الخطوة 1 – فتح صورة: انتقل إلى مجموعة البيانات وانقر على صورة لفتح عارض ملء الشاشة.
• الخطوة 2 – الدخول إلى وضع وضع العلامات: انقر على “Edit”، ثم بدّل إلى الوضع الذكي (أو اضغط S) لتمكين SAM.
• الخطوة 3 – اختيار نموذج SAM: اختر نموذج SAM من شريط الأدوات وفقًا لاحتياجاتك من حيث السرعة والدقة.
• الخطوة 4 – تقديم المطالبات: انقر بزر الماوس الأيسر لإضافة نقاط إيجابية (مناطق التضمين)، وانقر بزر الماوس الأيمن لإضافة نقاط سلبية (مناطق الاستبعاد).
• الخطوة 5 – إنشاء القناع وتطبيقه: يتنبأ SAM بقناع التقسيم في الوقت الفعلي. اضغط على “Enter” (أو استخدم التطبيق التلقائي) لتطبيق العلامة.
• الخطوة 6 – تحسين العلامة: أضف مزيدًا من النقاط أو عدّل النتيجة إذا لزم الأمر لتحسين الدقة قبل الحفظ.

الشكل 4. وضع علامات المضلعات المدعوم بـ SAM ضمن Ultralytics Platform (المصدر)

وضع العلامات الذكي باستخدام YOLO ضمن Ultralytics Platform#

يسرّع وضع العلامات الذكي المعتمد على YOLO في Ultralytics Platform عملية وضع العلامات، إذ يستخدم نماذج Ultralytics YOLO المدرّبة مسبقًا أو نماذج YOLO المضبوطة بدقة لإنشاء تنبؤات على صورة وإضافتها كعلامات. ويمكن أن تتضمن هذه التنبؤات مربعات الإحاطة أو أقنعة التقسيم أو مربعات الإحاطة الموجّهة، وفقًا لمهمة مجموعة البيانات.

يمكن للمستخدمين بعد ذلك مراجعة هذه العلامات وتحسينها حسب الحاجة. وفيما يلي نظرة عامة على الخطوات المتبعة لاستخدام وضع العلامات الذكي المعتمد على YOLO في Ultralytics Platform:

• الخطوة 1 – فتح صورة: انتقل إلى مجموعة البيانات وحدد صورة لفتحها في عارض ملء الشاشة.
• الخطوة 2 – الدخول إلى وضع وضع العلامات: انقر على “Edit”، ثم بدّل إلى الوضع الذكي (أو اضغط S).
• الخطوة 3 – اختيار نموذج YOLO: اختر نموذج YOLO من أداة اختيار النموذج في شريط الأدوات.
• الخطوة 4 – تشغيل التنبؤ: انقر على “Predict” للسماح للنموذج بإنشاء العلامات تلقائيًا.
• الخطوة 5 – مراجعة العلامات: افحص مربعات الإحاطة أو أقنعة التقسيم أو OBBs المتنبأ بها والمضافة إلى الصورة.
• الخطوة 6 – التحسين والحفظ: حرّر العلامات غير الصحيحة أو اضبطها أو أزلها حسب الحاجة، ثم احفظ التسميات النهائية.

الشكل 5. لمحة عن استخدام وضع العلامات الذكي باستخدام YOLO (المصدر)

حالات الاستخدام الواقعية لوضع علامات المضلعات#

يُحدث وضع علامات المضلعات أثرًا حقيقيًا في مختلف الصناعات، بدءًا من مراقبة الجودة في التصنيع ووصولًا إلى الزراعة والرعاية الصحية. لنستكشف بعض التطبيقات الواقعية الرئيسية.

تحديد الآفات باستخدام الرؤية الحاسوبية#

في الزراعة، تُعد مراقبة صحة المحاصيل أمرًا بالغ الأهمية لتحسين الإنتاجية وتقليل الخسائر. وقد يكون اكتشاف المناطق المصابة بالآفات على أوراق المحاصيل صعبًا، لأن هذه المناطق غالبًا ما تكون ذات أشكال غير منتظمة وحدود غير واضحة.

يمكن معالجة هذا النوع من المشكلات باستخدام تقنيات تقسيم الصور مثل التقسيم الدلالي، الذي يضع تسميات على جميع وحدات البكسل المنتمية إلى فئة (مثل المناطق المصابة)، أو تقسيم الكائنات، الذي يفصل محيطات الكائنات بدقة أكبر.

باستخدام Ultralytics Platform، يمكن للمستخدمين استعمال وضع علامات المضلعات لتتبع الشكل الدقيق لهذه المناطق المصابة. ويساعد ذلك على إنشاء مجموعات بيانات أكثر دقة، كما يسهّل على خوارزميات الذكاء الاصطناعي للرؤية اكتشاف الأنماط الدقيقة في البيئات الزراعية.

ونتيجة لذلك، تستطيع الفرق إنشاء بيانات تدريب أفضل تساعد النماذج على تحديد أماكن انتشار الآفات بدقة. وهذا أكثر فاعلية من استخدام مربعات الإحاطة التي قد تتضمن أجزاءً من الورقة غير المتضررة.

تحليل الصور الطبية المدعوم بتقسيم الكائنات#

على غرار اكتشاف الآفات في الزراعة، يمكن حتى للاختلافات الصغيرة في الحدود أن تؤثر في تحليل أمراض مثل السرطان في التصوير الطبي. ويكتسب ذلك أهمية خاصة عند تحديد الحالات الشاذة الصحية مثل الأورام في صور التصوير المقطعي.

قد تفوّت أساليب وضع العلامات التقليدية الحواف الدقيقة أو تتضمن الأنسجة المحيطة، مما يقلل الدقة. وباستخدام Ultralytics Platform، يمكن للفرق استخدام وضع علامات المضلعات لتتبع هذه المناطق بدقة في بيانات التدريب، مما يساعد النماذج على إنتاج تقسيمات للأورام أكثر دقة وموثوقية.

أهم النقاط#

يُعد وضع علامات المضلعات أساسيًا عندما تحتاج النماذج إلى فهم أشكال الكائنات في الصور بدقة عالية. فهو يساعد على تمثيل الأشكال المعقدة بصورة أكثر دقة، لا سيما عند استخدام Ultralytics Platform. ومن خلال الجمع بين الدقة والأدوات القوية، يمكن للفرق إنشاء نماذج ذكاء اصطناعي أكثر موثوقية وأعلى أداءً.

هل أنت مستعد لإدخال الذكاء الاصطناعي للرؤية في مشاريعك؟ انضم إلى مجتمعنا واكتشف الذكاء الاصطناعي في صناعة السيارات والذكاء الاصطناعي للرؤية في علم الروبوتات. استكشف مستودعنا على GitHub لمعرفة المزيد. اطّلع على خيارات الترخيص للبدء اليوم!