فوائد كون Ultralytics YOLO11 كاشفًا للأجسام دون مراسٍ

إذا ألقينا نظرة على تاريخ نماذج الذكاء الاصطناعي للرؤية، فسنجد أن مفهوم اكتشاف الكائنات - وهو مهمة أساسية في الرؤية الحاسوبية تتضمن تحديد الكائنات وتعيين مواقعها داخل صورة أو مقطع فيديو - يعود إلى ستينيات القرن الماضي. ومع ذلك، فإن السبب الرئيسي لأهميته في الابتكارات المتطورة اليوم هو أن تقنيات اكتشاف الكائنات وبنى النماذج قد تطورت وتحسنت بسرعة منذ ذلك الحين.

ناقشنا في مقال سابق تطور اكتشاف الكائنات والمسار الذي أدى إلى نماذج Ultralytics YOLO. وسنركز اليوم على استكشاف محطة أكثر تحديدًا في هذا المسار: الانتقال من الكواشف القائمة على المراسي إلى الكواشف بدون مراسٍ.

تعتمد الكواشف القائمة على المراسي على مربعات محددة مسبقًا، تُسمى «مراسي»، للتنبؤ بمواقع الكائنات في الصورة. وعلى النقيض من ذلك، تتخطى الكواشف بدون مراسٍ هذه المربعات المحددة مسبقًا، وتتنبأ مباشرةً بمواقع الكائنات.

قد يبدو هذا التحول تغييرًا بسيطًا ومنطقيًا، لكنه أدى فعليًا إلى تحسينات كبيرة في دقة اكتشاف الكائنات وكفاءته. وسنفهم في هذا المقال كيف أعادت الكواشف بدون مراسٍ تشكيل الرؤية الحاسوبية من خلال تطورات مثل Ultralytics YOLO11.

ما الكواشف القائمة على المراسي؟#

تستخدم الكواشف القائمة على المراسي مربعات محددة مسبقًا، تُعرف باسم المراسي، للمساعدة في تحديد مواقع الكائنات داخل الصورة. تخيل هذه المراسي كشبكة من المربعات ذات الأحجام والأشكال المختلفة الموضوعة فوق الصورة. ثم يعدّل النموذج هذه المربعات لتلائم الكائنات التي يكتشفها. على سبيل المثال، إذا حدد النموذج سيارة، فسيعدّل مربع المرساة ليتوافق مع موضع السيارة وحجمها بدقة أكبر.

ترتبط كل مرساة بكائن محتمل في الصورة، وأثناء التدريب، يتعلم النموذج كيفية ضبط مربعات المراسي لتتطابق بصورة أفضل مع موضع الكائن وحجمه ونسبة أبعاده. ويتيح ذلك للنموذج اكتشاف الكائنات بمقاييس واتجاهات مختلفة. غير أن اختيار المجموعة المناسبة من مربعات المراسي قد يستغرق وقتًا طويلًا، كما أن عملية ضبطها بدقة قد تكون عرضة للأخطاء.

الشكل 1. ما مربع المرساة؟

رغم أن الكواشف القائمة على المراسي، مثل YOLOv4، أدت أداءً جيدًا في العديد من التطبيقات، فإن لها بعض العيوب. فعلى سبيل المثال، لا تتوافق مربعات المراسي دائمًا جيدًا مع الكائنات ذات الأشكال أو الأحجام المختلفة، ما يصعّب على النموذج اكتشاف الكائنات الصغيرة أو غير المنتظمة الشكل. كما قد تستغرق عملية اختيار أحجام مربعات المراسي وضبطها بدقة وقتًا طويلًا وتتطلب جهدًا يدويًا كبيرًا. وإضافةً إلى ذلك، تواجه النماذج القائمة على المراسي غالبًا صعوبة في اكتشاف الكائنات المحجوبة أو المتداخلة، إذ قد لا تتكيف المربعات المحددة مسبقًا جيدًا مع هذه السيناريوهات الأكثر تعقيدًا.

الانتقال إلى اكتشاف الكائنات بدون مراسٍ#

بدأت الكواشف بدون مراسٍ تحظى بالاهتمام في عام 2018 مع نماذج مثل CornerNet وCenterNet، التي اتبعت نهجًا جديدًا لاكتشاف الكائنات من خلال الاستغناء عن الحاجة إلى مربعات المراسي المحددة مسبقًا. وعلى خلاف النماذج التقليدية التي تعتمد على مربعات مراسٍ بأحجام وأشكال مختلفة للتنبؤ بمواقع الكائنات، تتنبأ النماذج بدون مراسٍ بمواقع الكائنات مباشرةً. وتركز هذه النماذج على النقاط أو السمات الرئيسية للكائن، مثل مركزه، ما يبسّط عملية الاكتشاف ويجعلها أسرع وأكثر دقة.

إليك كيفية عمل النماذج بدون مراسٍ عمومًا:

• اكتشاف النقاط الرئيسية: بدلًا من استخدام مربعات محددة مسبقًا، تحدد بعض النماذج نقاطًا مهمة على الكائن، مثل المركز أو زوايا محددة. وتساعد هذه النقاط الرئيسية النماذج على معرفة موضع الكائن وحجمه.
• التنبؤ بالمركز prediction: تركز بعض النماذج على التنبؤ بمركز الكائن. وبمجرد تحديد المركز، يستطيع النموذج التنبؤ بحجم الكائن بأكمله وموضعه انطلاقًا منه.
• انحدار الخريطة الحرارية: تستخدم العديد من النماذج بدون مراسٍ خرائط حرارية، حيث تمثل كل بكسلة موقعًا محتملًا لكائن. وتشير القيم الأعلى في الخريطة الحرارية إلى ثقة أكبر بوجود كائن في تلك النقطة.

الشكل 2. الاكتشاف القائم على المراسي مقابل الاكتشاف بدون مراسٍ.

لأن النماذج بدون مراسٍ لا تعتمد على مربعات المراسي، فإن تصميمها أبسط. وهذا يعني أنها أكثر كفاءة من الناحية الحسابية. وبما أنها لا تحتاج إلى معالجة مربعات مراسٍ متعددة، فإنها تستطيع اكتشاف الكائنات بسرعة أكبر - وهي ميزة مهمة في التطبيقات الفورية مثل القيادة الذاتية والمراقبة بالفيديو.

تتفوق النماذج بدون مراسٍ أيضًا بفارق كبير في التعامل مع الكائنات الصغيرة أو غير المنتظمة أو المحجوبة. وبما أنها تركز على اكتشاف النقاط الرئيسية بدلًا من محاولة ملاءمة مربعات المراسي، فهي أكثر مرونة بكثير. ويتيح لها ذلك اكتشاف الكائنات بدقة في البيئات المزدحمة أو المعقدة التي قد تفشل فيها النماذج القائمة على المراسي.

Ultralytics YOLO11: كاشف بدون مراسٍ#

صُممت نماذج YOLO في الأصل للسرعة والكفاءة، لكنها انتقلت تدريجيًا من الأساليب القائمة على المراسي إلى الاكتشاف بدون مراسٍ، ما جعل نماذج مثل Ultralytics YOLO11 أسرع وأكثر مرونة وملاءمة لمجموعة واسعة من التطبيقات الفورية.

إليك نظرة سريعة على كيفية تطور التصميم بدون مراسٍ عبر إصدارات YOLO المختلفة:

• Ultralytics YOLOv5u: قدّم رأس Ultralytics المنقسم بدون مراسٍ، وألغى الحاجة إلى مربعات المراسي المحددة مسبقًا. وبدلًا من ذلك، يتنبأ النموذج مباشرةً بمواقع الكائنات في الصورة، ما يبسّط العملية ويحسن المرونة والسرعة.
• YOLOv6: استُخدمت طريقة جديدة تُسمى التدريب المدعوم بالمراسي (AAT)، حيث استُخدمت المراسي أثناء التدريب فقط. وأتاح ذلك للنموذج الاستفادة من بنية الأساليب القائمة على المراسي أثناء التدريب، مع الاستمرار في استخدام الاكتشاف بدون مراسٍ وقت التشغيل لتحقيق سرعة وقدرة أكبر على التكيف.
• Ultralytics YOLOv8: انتقل بالكامل إلى الاكتشاف بدون مراسٍ باستخدام رأس Ultralytics المنقسم بدون مراسٍ. وجعل ذلك النموذج أسرع وأكثر دقة، ولا سيما مع الكائنات الصغيرة أو غريبة الشكل التي لا تتلاءم جيدًا مع مربعات المراسي.
• Ultralytics YOLO11: يبني على نهج YOLOv8 بدون مراسٍ، ويحسن الاكتشاف بدرجة أكبر من خلال إلغاء مربعات المراسي تمامًا. وينتج عن ذلك اكتشاف أسرع وأكثر دقة للتطبيقات الفورية مثل مراقبة سلوك الحيوانات وتحليلات قطاع البيع بالتجزئة.

الشكل 3. مقارنة بين Ultralytics YOLOv8 وUltralytics YOLO11.

التطبيقات الواقعية لـ Ultralytics YOLO11#

من الأمثلة الرائعة على فوائد الاكتشاف بدون مراسٍ باستخدام Ultralytics YOLO11 المركبات ذاتية القيادة. ففي السيارات ذاتية القيادة، يُعد اكتشاف المشاة والمركبات الأخرى والعوائق بسرعة ودقة أمرًا بالغ الأهمية للسلامة. ويبسط نهج YOLO11 بدون مراسٍ عملية الاكتشاف من خلال التنبؤ مباشرةً بالنقاط الرئيسية للكائنات، مثل مركز أحد المشاة أو حدود مركبة أخرى، بدلًا من الاعتماد على مربعات المراسي المحددة مسبقًا.

الشكل 4. فوائد الاكتشاف بدون مراسٍ في Ultralytics YOLO11 (الصورة من إعداد المؤلف).

لا يحتاج Ultralytics YOLO11 إلى تعديل شبكة من المراسي أو ملاءمتها لكل كائن، وهي عملية قد تكون مكلفة حسابيًا وبطيئة. وبدلًا من ذلك، يركز على السمات الرئيسية، ما يجعله أسرع وأكثر كفاءة. فعلى سبيل المثال، عندما يدخل أحد المشاة إلى مسار المركبة، يستطيع YOLO11 تحديد موقعه بسرعة من خلال تعيين النقاط الرئيسية، حتى إذا كان الشخص محجوبًا جزئيًا أو متحركًا. وتتيح القدرة على التكيف مع الأشكال والأحجام المتنوعة من دون مربعات مراسٍ لـ YOLO11 اكتشاف الكائنات بموثوقية أكبر وبسرعات أعلى، وهو أمر حيوي لاتخاذ القرارات في الوقت الفعلي ضمن أنظمة القيادة الذاتية.

تشمل التطبيقات الأخرى التي تبرز فيها قدرات Ultralytics YOLO11 بدون مراسٍ بوضوح ما يلي:

• إدارة البيع بالتجزئة والمخزون: يسهّل Ultralytics YOLO11 مراقبة المنتجات على الرفوف، حتى عندما تكون مكدسة أو محجوبة جزئيًا. ويساعد ذلك على تتبع المخزون بسرعة ودقة أكبر، ويقلل الأخطاء.
• التصوير الطبي: يُعد YOLO11 فعالًا أيضًا في قطاع الرعاية الصحية، إذ يستطيع اكتشاف الأورام أو التشوهات الأخرى في الفحوصات الطبية. وتساعد قدرته على التعامل مع الكائنات غير المنتظمة الشكل في 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 لتتبع اللاعبين أو تحركات الكرة أو العناصر الأخرى في الوقت الفعلي أثناء الفعاليات الرياضية، لتوفير رؤى قيّمة للفرق والمدربين ووسائل البث.

اعتبارات يجب مراعاتها عند العمل مع النماذج بدون مراسٍ#

رغم أن النماذج بدون مراسٍ مثل Ultralytics YOLO11 تقدم العديد من المزايا، فإن لها بعض القيود أيضًا. ومن الاعتبارات العملية الرئيسية أن النماذج بدون مراسٍ قد تواجه صعوبة مع الكائنات المحجوبة أو المتداخلة بدرجة كبيرة. ويعود ذلك إلى أن الرؤية الحاسوبية تهدف إلى محاكاة الرؤية البشرية، وكما نواجه أحيانًا صعوبة في تحديد الكائنات المحجوبة، قد تواجه نماذج الذكاء الاصطناعي تحديات مماثلة.

وثمة عامل آخر مثير للاهتمام يتعلق بمعالجة تنبؤات النموذج. فعلى الرغم من أن بنية النماذج بدون مراسٍ أبسط من بنية النماذج القائمة على المراسي، فإن إجراء تحسين إضافي يصبح ضروريًا في حالات معينة. فعلى سبيل المثال، قد تكون تقنيات المعالجة اللاحقة مثل قمع غير الأعظم (NMS) مطلوبة لتنقية التنبؤات المتداخلة أو تحسين الدقة في المشاهد المزدحمة.

ترسيخ مستقبل الذكاء الاصطناعي مع Ultralytics YOLO11#

كان الانتقال من الاكتشاف القائم على المراسي إلى الاكتشاف بدون مراسٍ تقدمًا مهمًا في اكتشاف الكائنات. ومع النماذج بدون مراسٍ مثل Ultralytics YOLO11، أصبحت العملية أبسط، ما أدى إلى تحسينات في كل من الدقة والسرعة.

ومن خلال Ultralytics YOLO11، رأينا كيف يتفوق اكتشاف الكائنات بدون مراسٍ في التطبيقات الفورية مثل السيارات ذاتية القيادة والمراقبة بالفيديو والتصوير الطبي، حيث يكون الاكتشاف السريع والدقيق أمرًا بالغ الأهمية. ويتيح هذا النهج لـ YOLO11 التكيف بسهولة أكبر مع أحجام الكائنات المتنوعة والمشاهد المعقدة، ما يوفر أداءً أفضل عبر بيئات مختلفة.

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

استكشف مستودع GitHub الخاص بنا وانضم إلى مجتمعنا التفاعلي للبقاء على اطلاع بكل ما يتعلق بالذكاء الاصطناعي. وتعرّف على تأثير الذكاء الاصطناعي للرؤية في قطاعات مثل التصنيع والزراعة.