فوائد كون Ultralytics YOLO11 كاشفًا للأجسام دون نقاط ارتكاز

إذا ألقينا نظرة على تاريخ نماذج الذكاء الاصطناعي للرؤية، وجدنا أن مفهوم اكتشاف الأجسام، وهو مهمة أساسية في الرؤية الحاسوبية تتضمن تحديد الأجسام وتعيين مواقعها ضمن صورة أو مقطع فيديو، يعود إلى ستينيات القرن الماضي. وتنبع أهميته اليوم من التقدم الكبير الذي شهدته تقنيات اكتشاف الأجسام وبنى النماذج منذ ذلك الحين.

ناقشنا في مقالة سابقة تطور اكتشاف الأجسام والمسار الذي أدى إلى ظهور نماذج Ultralytics YOLO. وسنركز اليوم على استكشاف محطة أكثر تحديدًا في هذه الرحلة: الانتقال من الكواشف المعتمدة على المراسي إلى الكواشف الخالية من المراسي.

تعتمد كواشف الأجسام القائمة على المراسي على صناديق محددة مسبقًا تُسمى «المراسي» للتنبؤ بمواقع الأجسام في الصورة. وعلى النقيض من ذلك، تتجاوز كواشف الأجسام الخالية من المراسي هذه الصناديق المحددة مسبقًا، وتتنبأ بمواقع الأجسام مباشرةً.

قد يبدو هذا التحول تغييرًا بسيطًا ومنطقيًا، لكنه أدى بالفعل إلى تحسينات كبيرة في دقة اكتشاف الأجسام وكفاءته. وسنتعرف في هذه المقالة على كيفية إعادة الكواشف الخالية من المراسي تشكيل الرؤية الحاسوبية من خلال تطورات مثل Ultralytics YOLO11.

ما الكواشف المعتمدة على المراسي؟#

تستخدم الكواشف المعتمدة على المراسي صناديق محددة مسبقًا، تُعرف باسم المراسي، للمساعدة في تحديد مواقع الأجسام في الصورة. تخيّل هذه المراسي شبكةً من الصناديق بأحجام وأشكال مختلفة موضوعة فوق الصورة. ثم يضبط النموذج هذه الصناديق لتلائم الأجسام التي يرصدها. فعلى سبيل المثال، إذا تعرّف النموذج على سيارة، فسيعدّل صندوق المرساة ليتوافق بدقة أكبر مع موقع السيارة وحجمها.

ترتبط كل مرساة بجسم محتمل في الصورة، وأثناء التدريب، يتعلم النموذج كيفية ضبط صناديق المراسي لتطابق موقع الجسم وحجمه ونسبة أبعاده على نحو أفضل. ويسمح ذلك للنموذج بـاكتشاف الأجسام بمقاييس واتجاهات مختلفة. لكن اختيار المجموعة المناسبة من صناديق المراسي قد يستغرق وقتًا، كما أن عملية ضبطها بدقة قد تكون عرضة للأخطاء.

الشكل 1. ما صندوق المرساة؟

رغم أن الكواشف المعتمدة على المراسي، مثل YOLOv4، أدّت أداءً جيدًا في تطبيقات كثيرة، فإن لها بعض العيوب. فعلى سبيل المثال، لا تتوافق صناديق المراسي دائمًا جيدًا مع الأجسام ذات الأشكال أو الأحجام المختلفة، ما يصعّب على النموذج اكتشاف الأجسام الصغيرة أو غير المنتظمة الشكل. وقد تستغرق عملية اختيار أحجام صناديق المراسي وضبطها بدقة وقتًا طويلًا وتتطلب جهدًا يدويًا كبيرًا. وإضافة إلى ذلك، غالبًا ما تواجه النماذج المعتمدة على المراسي صعوبة في اكتشاف الأجسام المحجوبة أو المتداخلة، لأن الصناديق المحددة مسبقًا قد لا تتكيف جيدًا مع هذه الحالات الأكثر تعقيدًا.

التحول إلى اكتشاف الأجسام الخالي من المراسي#

بدأت الكواشف الخالية من المراسي تحظى بالاهتمام في عام 2018 مع نماذج مثل CornerNet وCenterNet، التي اتبعت نهجًا جديدًا لاكتشاف الأجسام عبر الاستغناء عن صناديق المراسي المحددة مسبقًا. وعلى عكس النماذج التقليدية التي تعتمد على صناديق مراسٍ بأحجام وأشكال مختلفة للتنبؤ بمواقع الأجسام، تتنبأ النماذج الخالية من المراسي بمواقع الأجسام مباشرةً. وتركز هذه النماذج على النقاط أو السمات الرئيسية للجسم، مثل مركزه، ما يبسّط عملية الاكتشاف ويجعلها أسرع وأكثر دقة.

إليك كيفية عمل النماذج الخالية من المراسي عمومًا:

• اكتشاف النقاط المفتاحية: تحدد بعض النماذج النقاط المهمة في الجسم، مثل المركز أو زوايا محددة، بدلًا من استخدام الصناديق المحددة مسبقًا. وتساعد هذه النقاط المفتاحية النماذج على تحديد موقع الجسم وحجمه.
• التنبؤ بالمركز: تركز بعض النماذج على التنبؤ بمركز الجسم. وبعد تحديد المركز، يستطيع النموذج التنبؤ بحجم الجسم بأكمله وموقعه انطلاقًا منه.
• انحدار الخريطة الحرارية: تستخدم نماذج كثيرة خالية من المراسي خرائط حرارية، حيث تمثل كل بكسل موقعًا محتملًا لجسم ما. وتشير القيم الأعلى في الخريطة الحرارية إلى ثقة أكبر بوجود جسم في تلك النقطة.

الشكل 2. الاكتشاف المعتمد على المراسي مقابل الاكتشاف الخالي من المراسي.

لا تعتمد النماذج الخالية من المراسي على صناديق المراسي، لذا تتميز بتصميم أبسط، ما يجعلها أكثر كفاءة من الناحية الحاسوبية. ولأنها لا تحتاج إلى معالجة صناديق مراسٍ متعددة، يمكنها اكتشاف الأجسام بسرعة أكبر، وهي ميزة مهمة في التطبيقات الآنية مثل القيادة الذاتية والمراقبة بالفيديو.

تتفوق النماذج الخالية من المراسي أيضًا في التعامل مع الأجسام الصغيرة أو غير المنتظمة أو المحجوبة جزئيًا. فهي أكثر مرونة بكثير لأنها تركز على اكتشاف النقاط المفتاحية بدلًا من محاولة ملاءمة صناديق المراسي. وهذا يمكّنها من اكتشاف الأجسام بدقة في البيئات المزدحمة أو المعقدة التي قد تفشل فيها النماذج القائمة على المراسي.

Ultralytics YOLO11: كاشف خالٍ من المراسي#

صُممت نماذج YOLO في الأصل لتحقيق السرعة والكفاءة، وانتقلت تدريجيًا من الأساليب المعتمدة على المراسي إلى الاكتشاف الخالي من المراسي، ما جعل نماذج مثل Ultralytics YOLO11 أسرع وأكثر مرونة وملاءمة لمجموعة واسعة من التطبيقات الآنية.

إليك لمحة سريعة عن تطور التصميم الخالي من المراسي عبر إصدارات YOLO المختلفة:

• Ultralytics YOLOv5u: اعتمد الرأس المنفصل الخالي من المراسي من Ultralytics، الذي طُرح أول مرة في YOLOv8، ما ألغى الحاجة إلى صناديق مراسٍ محددة مسبقًا. وبدلًا من ذلك، يتنبأ النموذج مباشرةً بمواقع الأجسام في الصورة، ما يبسط العملية ويحسن المرونة والسرعة.
• YOLOv6: استخدم طريقة جديدة تُسمى التدريب بمساعدة المراسي (AAT)، حيث اقتصر استخدام المراسي على التدريب. وأتاح ذلك للنموذج الاستفادة من بنية الأساليب المعتمدة على المراسي أثناء التدريب، مع مواصلة استخدام الاكتشاف الخالي من المراسي عند التشغيل لتحقيق سرعة وقدرة أكبر على التكيف.
• Ultralytics YOLOv8: انتقل بالكامل إلى الاكتشاف الخالي من المراسي باستخدام الرأس المنفصل الخالي من المراسي من Ultralytics. وجعل ذلك النموذج أسرع وأكثر دقة، لا سيما في اكتشاف الأجسام الصغيرة أو غريبة الشكل التي لا تلائم صناديق المراسي جيدًا.
• Ultralytics YOLO11: يحافظ على تصميم YOLOv8 الخالي من المراسي، مع تحسين العمود الفقري والعنق. وينتج عن ذلك اكتشاف أسرع وأكثر دقة للتطبيقات الآنية، مثل مراقبة سلوك الحيوانات وتحليلات تجارة التجزئة.

الشكل 3. مقارنة بين Ultralytics YOLOv8 وUltralytics YOLO11.

التطبيقات العملية لـ Ultralytics YOLO11#

من الأمثلة الرائعة على فوائد الكشف الخالي من المراسي باستخدام Ultralytics YOLO11 المركبات ذاتية القيادة. ففي السيارات ذاتية القيادة، يُعد اكتشاف المشاة والمركبات الأخرى والعوائق بسرعة ودقة أمرًا بالغ الأهمية للسلامة. يبسّط نهج YOLO11 الخالي من المراسي عملية الكشف، إذ يتنبأ مباشرةً بالنقاط الرئيسية للأجسام، مثل مركز أحد المشاة أو حدود مركبة أخرى، بدلًا من الاعتماد على مربعات مراسي محددة مسبقًا.

الشكل 4. فوائد الكشف الخالي من المراسي في Ultralytics YOLO11 (الصورة من إعداد المؤلف).

لا يحتاج Ultralytics YOLO11 إلى ضبط شبكة من المراسي أو ملاءمتها لكل جسم، وهي عملية قد تكون مكلفة حسابيًا وبطيئة. بدلًا من ذلك، يركز على السمات الرئيسية، ما يجعله أسرع وأكثر كفاءة. فعلى سبيل المثال، عندما يخطو أحد المشاة إلى مسار المركبة، يستطيع YOLO11 تحديد موقعه بسرعة من خلال تعيين النقاط الرئيسية، حتى إذا كان الشخص محجوبًا جزئيًا أو يتحرك. وتتيح قدرة YOLO11 على التكيف مع الأشكال والأحجام المختلفة دون مربعات مراسٍ كشف الأجسام بموثوقية أكبر وبسرعة أعلى، وهو أمر بالغ الأهمية لاتخاذ القرارات في الوقت الفعلي ضمن أنظمة القيادة الذاتية.

تشمل التطبيقات الأخرى التي تبرز فيها قدرات Ultralytics YOLO11 الخالية من المراسي ما يلي:

• إدارة البيع بالتجزئة والمخزون: يسهّل Ultralytics YOLO11 مراقبة المنتجات على الرفوف، حتى عندما تكون متراكمة أو محجوبة جزئيًا. وهذا يساعد على تتبع المخزون بسرعة ودقة أكبر، ويقلل الأخطاء.
• التصوير الطبي: يتميز YOLO11 أيضًا بفاعليته في الرعاية الصحية، إذ يمكنه اكتشاف الأورام أو غيرها من الحالات غير الطبيعية في الصور الطبية. وتساعد قدرته على التعامل مع الأجسام غير المنتظمة الشكل على تحسين دقة تشخيص الحالات المعقدة.
• مراقبة الحياة البرية: في أبحاث الحياة البرية، يستطيع Ultralytics YOLO11 تتبع الحيوانات في الغابات الكثيفة أو التضاريس الوعرة، ما يساعد الباحثين على مراقبة سلوكها أو حماية الأنواع المهددة بالانقراض.
• تحليلات الرياضة: يمكن استخدام Ultralytics YOLO11 لتعقب اللاعبين وحركة الكرة أو العناصر الأخرى في الوقت الفعلي أثناء الفعاليات الرياضية، لتقديم رؤى قيّمة للفرق والمدربين وهيئات البث.

اعتبارات يجب مراعاتها عند استخدام النماذج الخالية من المراسي#

رغم ما تقدمه النماذج الخالية من المراسي، مثل Ultralytics YOLO11، من مزايا عديدة، فإن لها بعض القيود. ومن الاعتبارات العملية الرئيسية أن النماذج الخالية من المراسي قد تواجه صعوبة في التعامل مع حالات الحجب أو الأجسام المتداخلة بشدة. ويعود ذلك إلى أن الرؤية الحاسوبية تسعى إلى محاكاة الرؤية البشرية؛ فمثلما قد يصعب علينا أحيانًا التعرّف على الأجسام المحجوبة، قد تواجه نماذج الذكاء الاصطناعي تحديات مشابهة.

وثمة عامل آخر مهم يتعلق بمعالجة تنبؤات النماذج. فعلى الرغم من أن بنية النماذج الخالية من المراسي أبسط من بنية النماذج القائمة على المراسي، فإن بعض الحالات تتطلب مزيدًا من التحسين. فعلى سبيل المثال، قد تكون تقنيات المعالجة اللاحقة مثل كبت غير القيم القصوى (NMS) ضرورية لتنقية التنبؤات المتداخلة أو تحسين الدقة في المشاهد المزدحمة. وتستغني النماذج الأحدث، مثل Ultralytics YOLO26، عن هذه الخطوة بفضل تصميم شامل من البداية إلى النهاية وخالٍ من NMS.

رسم ملامح مستقبل الذكاء الاصطناعي مع Ultralytics YOLO11#

مثّل الانتقال من الكشف المعتمد على المراسي إلى الكشف الخالي منها تقدمًا كبيرًا في اكتشاف الأجسام. ومع النماذج الخالية من المراسي مثل Ultralytics YOLO11، تصبح العملية أبسط، ما يحسّن الدقة والسرعة معًا.

من خلال Ultralytics YOLO11، رأينا كيف يتفوق الكشف عن الأجسام الخالي من المراسي في تطبيقات الوقت الفعلي، مثل السيارات ذاتية القيادة والمراقبة بالفيديو والتصوير الطبي، حيث يكون الكشف السريع والدقيق أمرًا بالغ الأهمية. ويتيح هذا النهج لـ YOLO11 التكيف بسهولة أكبر مع اختلاف أحجام الأجسام والمشاهد المعقدة، ما يوفر أداءً أفضل في بيئات متنوعة.

ومع استمرار تطور الرؤية الحاسوبية، سيصبح اكتشاف الأجسام أسرع وأكثر مرونة وكفاءة.

استكشف مستودعنا على GitHub وانضم إلى مجتمعنا النشط لمتابعة كل جديد في مجال الذكاء الاصطناعي. وتعرّف على أثر الذكاء الاصطناعي البصري في قطاعات مثل التصنيع والزراعة.