فوائد كون Ultralytics YOLO11 كاشفاً بدون مرساة

إذا نظرت إلى الوراء في history of Vision AI models، فإن مفهوم اكتشاف الأشياء - وهو مهمة أساسية للرؤية الحاسوبية تتضمن تحديد وتحديد مواقع الأشياء داخل صورة أو فيديو - موجود منذ الستينيات. ومع ذلك، فإن السبب الرئيسي لأهميته في ابتكارات اليوم المتطورة هو أن تقنيات اكتشاف الأشياء وهندسة النماذج قد تقدمت وتتحسن بسرعة منذ ذلك الحين.

في مقال سابق، ناقشنا evolution of object detection والطريق الذي أدى إلى نماذج Ultralytics YOLO. اليوم، سنركز على استكشاف محطة أكثر تحديدًا في هذه الرحلة: الانتقال من الكاشفات المستندة إلى المراجع (anchor-based) إلى الكاشفات الخالية من المراجع (anchor-free).

تعتمد الكاشفات المستندة إلى المراجع على صناديق محددة مسبقًا تسمى "المراجع" (anchors) للتنبؤ بمكان وجود الأشياء في الصورة. في المقابل، تتخطى anchor-free detectors هذه الصناديق المحددة مسبقًا وتتنبأ بمواقع الأشياء مباشرة.

على الرغم من أن هذا التحول قد يبدو وكأنه تغيير بسيط ومنطقي، إلا أنه أدى في الواقع إلى تحسينات كبيرة في دقة وكفاءة اكتشاف الأشياء. في هذه المقالة، سنتعرف على كيف أعادت الكاشفات الخالية من المراجع تشكيل الرؤية الحاسوبية من خلال تطورات مثل Ultralytics YOLO11.

ما هي الكواشف القائمة على الرواسي؟#

Anchor-based detectors تستخدم صناديق محددة مسبقًا، تُعرف بالمراجع، للمساعدة في تحديد مواقع الأشياء في الصورة. فكر في هذه المراجع كشبكة من الصناديق ذات أحجام وأشكال مختلفة توضع فوق الصورة. يقوم النموذج بعد ذلك بتعديل هذه الصناديق لتناسب الأشياء التي يكتشفها. على سبيل المثال، إذا قام النموذج بتحديد سيارة، فسيقوم بتعديل صندوق المرجع ليطابق وضع السيارة وحجمها بدقة أكبر.

يرتبط كل مرجع بشيء محتمل في الصورة، وأثناء training، يتعلم النموذج كيفية تعديل صناديق المراجع لتتوافق بشكل أفضل مع موقع الكائن وحجمه ونسبة عرضه إلى إرتفاعه. هذا يتيح للنموذج detect objects بمقاييس واتجاهات مختلفة. ومع ذلك، يمكن أن يكون اختيار المجموعة المناسبة من صناديق المراجع يستغرق وقتًا طويلاً، وقد تكون عملية ضبطها عرضة للأخطاء.

Fig 1. ما هو صندوق المرجع (Anchor Box)؟

على الرغم من أن الكاشفات المستندة إلى المراجع، مثل YOLOv4، قد عملت بشكل جيد في العديد من التطبيقات، إلا أن لها بعض العيوب. على سبيل المثال، لا تتماشى صناديق المراجع دائمًا بشكل جيد مع الأشياء ذات الأشكال أو الأحجام المختلفة، مما يجعل من الصعب على النموذج اكتشاف الأشياء الصغيرة أو غير المنتظمة الشكل. يمكن أن تستغرق عملية اختيار وضبط أحجام صناديق المراجع وقتًا طويلاً وتتطلب الكثير من الجهد اليدوي. بغض النظر عن هذا، غالبًا ما تعاني النماذج المستندة إلى المراجع من اكتشاف الأشياء المحجوبة أو المتداخلة، حيث قد لا تتكيف الصناديق المحددة مسبقًا بشكل جيد مع هذه السيناريوهات الأكثر تعقيدًا.

التحول نحو كشف الأشياء الخالي من الرواسي#

بدأت الكواشف الخالية من الرواسي في جذب الانتباه في عام 2018 مع نماذج مثل CornerNet و CenterNet، والتي اتبعت نهجاً جديداً في كشف الأشياء من خلال القضاء على الحاجة إلى صناديق رواسي محددة مسبقاً. بخلاف النماذج التقليدية التي تعتمد على صناديق رواسي بأحجام وأشكال مختلفة للتنبؤ بمواقع الأشياء، تتنبأ النماذج الخالية من الرواسي بمواقع الأشياء مباشرة. وهي تركز على النقاط الرئيسية أو ميزات الشيء، مثل المركز، مما يبسط عملية الكشف ويجعلها أسرع وأكثر دقة.

إليك كيف تعمل النماذج الخالية من الرواسي بشكل عام:

• Keypoint detection: بدلاً من استخدام صناديق محددة مسبقًا، تحدد بعض النماذج نقاط مهمة على الكائن، مثل المركز أو زوايا محددة. تساعد هذه النقاط الرئيسية النماذج في معرفة مكان الكائن ومدى حجمه.
• Center prediction: تركز بعض النماذج على التنبؤ بمركز الكائن. بمجرد تحديد المركز، يمكن للنموذج التنبؤ بحجم وموقع الكائن بأكمله من هناك.
• Heatmap regression: تستخدم العديد من النماذج الخالية من المراجع heatmaps، حيث يمثل كل بكسل موقعًا محتملاً لكائن ما. تشير قيم خريطة الحرارة الأقوى إلى ثقة أكبر في وجود كائن في تلك النقطة.

Fig 2. الاكتشاف المستند إلى المراجع مقابل الاكتشاف الخالي من المراجع.

بما أن النماذج الخالية من الرواسي لا تعتمد على صناديق الرواسي، فهي تتمتع بتصميم أبسط. وهذا يعني أنها أكثر كفاءة من الناحية الحسابية. ولأنها لا تضطر إلى معالجة صناديق رواسي متعددة، يمكنها كشف الأشياء بسرعة أكبر - وهي ميزة مهمة في التطبيقات اللحظية مثل القيادة الذاتية والمراقبة بالفيديو.

النماذج الخالية من المراجع أفضل بكثير في التعامل مع الأشياء الصغيرة أو غير المنتظمة أو المحجوبة. نظرًا لأنها تركز على اكتشاف النقاط الرئيسية بدلاً من محاولة ملاءمة صناديق المراجع، فهي أكثر مرونة بكثير. يتيح لها ذلك اكتشاف الأشياء accurately في البيئات المزدحمة أو المعقدة حيث قد تفشل النماذج المستندة إلى المراجع.

Ultralytics YOLO11: كاشف خالٍ من الرواسي#

صممت نماذج YOLO في الأصل من أجل السرعة والكفاءة، وقد تحولت تدريجياً من الطرق القائمة على نقاط الارتكاز (anchor-based) إلى الاكتشاف الخالي من نقاط الارتكاز (anchor-free)، مما يجعل نماذج مثل YOLO11 من Ultralytics أسرع وأكثر مرونة وأكثر ملاءمة لمجموعة واسعة من التطبيقات في الوقت الفعلي.

إليك نظرة سريعة على كيفية تطور التصميم الخالي من الرواسي عبر إصدارات YOLO المختلفة:

• Ultralytics YOLOv5u: قدم رأس Ultralytics المنفصل الخالي من المراجع (Anchor-Free Split Ultralytics Head)، مما أدى إلى إزالة الحاجة إلى صناديق مرجعية محددة مسبقًا. بدلاً من ذلك، يتنبأ النموذج مباشرة بمكان وجود الأشياء في الصورة، مما يبسط العملية ويحسن المرونة والسرعة.
• YOLOv6: تم استخدام طريقة جديدة تسمى التدريب المدعوم بالمراجع (AAT)، حيث تم استخدام المراجع فقط أثناء التدريب. وأتاح ذلك للنموذج الاستفادة من هيكل الطرق المستندة إلى المراجع أثناء التدريب، مع الاستمرار في استخدام الاكتشاف الخالي من المراجع وقت التشغيل لتحسين السرعة والقدرة على التكيف.
• Ultralytics YOLOv8: تحول بالكامل إلى الاكتشاف الخالي من المراجع باستخدام رأس Ultralytics المنفصل الخالي من المراجع. وقد جعل هذا النموذج أسرع وأكثر دقة، لا سيما بالنسبة للأشياء الصغيرة أو غريبة الشكل التي لا تتناسب جيدًا مع صناديق المراجع.
• Ultralytics YOLO11: يعتمد على نهج YOLOv8 الخالي من المراجع، مما يحسن الاكتشاف بشكل أكبر عن طريق القضاء على صناديق المراجع تمامًا. وينتج عن ذلك اكتشاف أسرع وأكثر دقة للتطبيقات في الوقت الفعلي مثل animal behavior monitoring وتحليلات التجزئة.

الشكل 3. مقارنة بين Ultralytics YOLOv8 و Ultralytics YOLO11.

التطبيقات الواقعية لنموذج YOLO11 من Ultralytics#

يعد autonomous vehicles مثالاً رائعاً على فوائد الكشف بدون مرسيات (anchor-free) باستخدام Ultralytics YOLO11. ففي السيارات ذاتية القيادة، يُعد اكتشاف المشاة والمركبات الأخرى والعوائق بسرعة ودقة أمراً بالغ الأهمية للسلامة. يعمل نهج YOLO11 الخالي من المرسيات على تبسيط عملية الكشف عن طريق التنبؤ مباشرة بالنقاط الرئيسية للأغراض، مثل مركز أحد المشاة أو حدود مركبة أخرى، بدلاً من الاعتماد على مربعات مرسية محددة مسبقاً.

الشكل 4. فوائد الاكتشاف الخالي من نقاط الارتكاز في YOLO11 من Ultralytics (الصورة بواسطة المؤلف).

لا يحتاج Ultralytics YOLO11 إلى ضبط أو ملاءمة شبكة من المرسيات لكل غرض، وهو ما قد يكون مكلفاً من الناحية الحسابية وبطيئاً. وبلاً من ذلك، فإنه يركز على الميزات الرئيسية، مما يجعله أسرع وأكثر كفاءة. على سبيل المثال، عندما يدخل أحد المشاة إلى مسار السيارة، يمكن لـ YOLO11 تحديد موقعه بسرعة من خلال تحديد النقاط الرئيسية، حتى لو كان الشخص مختفياً جزئياً أو متحركاً. تتيح القدرة على التكيف مع الأشكال والأحجام المتفاوتة بدون مربعات مرسية لـ YOLO11 اكتشاف الأغراض بشكل أكثر موثوقية وبسرعات أعلى، وهو أمر حيوي لاتخاذ القرار في الوقت الفعلي في أنظمة القيادة الذاتية.

تشمل التطبيقات الأخرى التي تبرز فيها قدرات YOLO11 من Ultralytics الخالية من نقاط الارتكاز حقاً ما يلي:

• Retail and inventory management: تسهل منظومة Ultralytics YOLO11 مراقبة المنتجات على الأرفف، حتى عندما تكون مكدسة أو محجوبة جزئيًا. يساعد ذلك في تتبع المخزون بشكل أسرع وأكثر دقة ويقلل من الأخطاء.
• Medical imaging: يعتبر YOLO11 فعالًا أيضًا في الرعاية الصحية، حيث يمكنه اكتشاف الأورام أو التشوهات الأخرى في الفحوصات الطبية. تساعد قدرته على العمل مع الأشياء غير المنتظمة الشكل في تحسين دقة تشخيص الحالات المعقدة.
• Wildlife monitoring: في الأبحاث المتعلقة بالحياة البرية، تستطيع Ultralytics YOLO11 تتبع الحيوانات في الغابات الكثيفة أو التضاريس الوعرة، مما يساعد الباحثين على مراقبة السلوك أو حماية الأنواع المعرضة للخطر.
• Sports analytics: يمكن استخدام Ultralytics YOLO11 لتتبع اللاعبين، أو حركات الكرات، أو العناصر الأخرى في الوقت الفعلي أثناء الأحداث الرياضية لتوفير رؤى قيّمة للفرق، والمدربين، وشركات البث.

اعتبارات يجب مراعاتها عند العمل مع النماذج الخالية من الرواسي#

على الرغم من أن النماذج غير المرتبطة بمراسي (anchor-free) مثل Ultralytics YOLO11 توفر مزايا عديدة، إلا أنها تأتي مع قيود معينة. أحد الاعتبارات العملية الرئيسية التي يجب وضعها في الاعتبار هو أن حتى النماذج غير المرتبطة بمراسي قد تواجه صعوبة مع حالات الاحتجاب أو الكائنات المتداخلة بشكل كبير. يعود السبب الكامن وراء ذلك إلى أن الرؤية الحاسوبية تهدف إلى محاكاة الرؤية البشرية، ومثلما نواجه نحن أحيانًا صعوبة في تحديد الكائنات المحجوبة، تواجه نماذج الذكاء الاصطناعي تحديات مشابهة.

عامل آخر مثير للاهتمام يتعلق بمعالجة تنبؤات النموذج. على الرغم من أن بنية النماذج الخالية من المراجع أبسط من تلك المستندة إلى المراجع، إلا أن التحسين الإضافي يصبح ضروريًا في حالات معينة. على سبيل المثال، قد تكون تقنيات المعالجة اللاحقة مثل non-maximum suppression (NMS) مطلوبة لتنظيف التنبؤات المتداخلة أو تحسين الدقة في المشاهد المزدحمة.

تثبيت أسس مستقبل الذكاء الاصطناعي مع YOLO11 من Ultralytics#

مثل الانتقال من الكشف القائم على المراسي إلى الكشف غير المرتبط بالمراسي تطورًا كبيرًا في مجال كشف الكائنات. ومع استخدام نماذج غير مرتبطة بمراسي مثل Ultralytics YOLO11، أصبحت العملية أكثر ببساطة، مما أدى إلى تحسينات في كل من الدقة والسرعة.

من خلال Ultralytics YOLO11، رأينا كيف يتفوق اكتشاف الأغراض بدون مرسيات في التطبيقات ذات الوقت الفعلي مثل السيارات ذاتية القيادة، والمراقبة بالفيديو، والتصوير الطبي، حيث يكون الكشف السريع والدقيق أمراً بالغ الأهمية. يتيح هذا النهج لـ YOLO11 التكيف بسهولة أكبر مع أحجام الأغراض المتفاوتة والمشاهد المعقدة، مما يوفر أداءً أفضل عبر بيئات متنوعة.

مع استمرار تطور رؤية الحاسوب، سيصبح كشف الأشياء أسرع وأكثر مرونة وأكثر كفاءة.

استكشف GitHub repository الخاص بنا وانضم إلى our engaging community للبقاء على اطلاع بكل ما يتعلق بالذكاء الاصطناعي. تحقق من كيف يؤثر الذكاء الاصطناعي للرؤية على قطاعات مثل manufacturing و agriculture.