استكشاف كشف الأجسام الصغيرة باستخدام Ultralytics YOLO11

يمكن للطائرات المسيّرة المزوّدة بذكاء اصطناعي للرؤية أن تحلّق على ارتفاع مئات الأمتار فوق سطح الأرض، ومع ذلك يُتوقَّع منها اكتشاف شخص لا يظهر في موجز الفيديو الخاص بها إلا على هيئة بضع بكسلات. في الواقع، يُعدّ هذا تحديًا شائعًا في تطبيقات مثل الروبوتات والمراقبة والاستشعار عن بُعد، حيث يجب على الأنظمة تحديد الأجسام الصغيرة جدًا داخل الصورة.

لكن نماذج اكتشاف الأجسام التقليدية قد تواجه صعوبة في ذلك. فالأجسام الصغيرة في الصور ومقاطع الفيديو تمثل قدرًا محدودًا جدًا من المعلومات المرئية. وببساطة، عندما ينظر إليها النموذج، لا تتوفر تفاصيل كثيرة ليتعلم منها أو يتعرف إليها.

في العمق، تعتمد هذه النماذج عادةً على بنية قائمة على شبكة عصبية تلافيفية (CNN). تمرر الصور عبر طبقات الشبكة وتتحول إلى خرائط سمات أو تمثيلات مبسطة تبرز الأنماط ذات الصلة بدلًا من البكسلات الخام.

كلما انتقلت الصورة إلى طبقات أعمق من الشبكة، صغرت خرائط السمات. وهذا يجعل الحوسبة أسرع، لكنه يعني أيضًا أن التفاصيل الدقيقة قد تختفي.

تُعدّ هذه التفاصيل بالغة الأهمية بالنسبة إلى الأجسام الصغيرة جدًا. وعندما تختفي، قد يواجه نموذج الرؤية الحاسوبية صعوبة في اكتشاف الجسم، مما قد يؤدي إلى مربعات إحاطة أقل دقة أو غير متسقة.

وتزيد أنظمة الرؤية الحاسوبية الشاملة من البداية إلى النهاية وفي الوقت الفعلي من تعقيد الأمر. تساعد الصور عالية الدقة في الحفاظ على التفاصيل، لكنها تبطئ الاستدلال وتتطلب قدرة أكبر من GPU. أما الدقات المنخفضة فتعمل بسرعة أكبر، لكن اكتشاف الأجسام الصغيرة يصبح أصعب.

ويتحول الأمر إلى موازنة مستمرة بين السرعة والدقة وقيود العتاد. وبفضل التطورات التقنية الحديثة، صُممت نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 وUltralytics YOLO26 المرتقب لإدارة هذه المفاضلة بفعالية أكبر.

الشكل 1. استخدام YOLO11 لاكتشاف الأجسام الصغيرة في الصور الجوية (المصدر)

في هذه المقالة، سنستكشف سبب صعوبة اكتشاف الأجسام الصغيرة وكيف يمكن لـ Ultralytics YOLO11 أن يجعل ذلك أسهل. لنبدأ!

ما اكتشاف الأجسام الصغيرة، ولماذا يُعدّ مهمًا؟#

اكتشاف الأجسام الصغيرة هو مهمة في الرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي، تركز على تحديد الأجسام التي تشغل جزءًا صغيرًا جدًا من الصورة وتحديد مواقعها. غالبًا ما تُمثَّل هذه الأجسام داخل الصورة بعدد محدود من البكسلات، وهي أصغر وحدات الصورة الرقمية. وهذا يجعل اكتشافها أصعب من اكتشاف الأهداف الأكبر والأوضح (التي تحتوي غالبًا على عدد أكبر من البكسلات).

فعلى سبيل المثال، يمكن أن تظهر المركبات في الصور الجوية، والأدوات على أرضية المصنع، والأشخاص الذين تلتقطهم كاميرات المراقبة واسعة الزاوية، جميعها كأجسام صغيرة داخل الصورة. ويُعدّ اكتشافها مهمًا لأنها غالبًا ما تحمل معلومات بالغة الأهمية، ولأن العديد من التطبيقات الواقعية، مثل المراقبة، تعتمد على هذه الاكتشافات للعمل بشكل صحيح.

عند عدم اكتشاف الأجسام الصغيرة، قد يتأثر أداء النظام واتخاذ القرار. وتُعدّ مراقبة المركبات الجوية غير المأهولة (UAV) مثالًا جيدًا، إذ قد يؤثر عدم اكتشاف جسم صغير متحرك على الأرض في دقة الملاحة أو التتبع.

التحديات المرتبطة باكتشاف الأجسام الصغيرة#

استخدمت الأنظمة السابقة سمات مصممة يدويًا وأساليب تقليدية للرؤية الحاسوبية، وكانت تواجه صعوبة في المشاهد المزدحمة أو المتنوعة. وحتى اليوم، مع تفوق نماذج التعلم العميق بفارق كبير، لا يزال اكتشاف الأهداف الصغيرة صعبًا عندما تشغل جزءًا ضئيلًا جدًا من الصورة.

لنلقِ نظرة أولًا على بعض التحديات الشائعة التي تظهر في مختلف السيناريوهات الواقعية عند اكتشاف الأجسام الصغيرة.

الحجم والبكسلات وفقدان المعلومات#

تحتوي الأجسام الصغيرة على عدد قليل جدًا من البكسلات، مما يحد من مقدار التفاصيل المرئية التي يمكن للنموذج تعلمها أثناء مراحل مثل استخراج السمات. ونتيجة لذلك، يصعب اكتشاف أنماط مثل الحواف والأشكال والأنسجة، مما يجعل الأجسام الصغيرة أكثر عرضة للاندماج مع الخلفية.

عند انتقال الصور عبر الطبقات التلافيفية لشبكة عصبية، تُضغط المعلومات المرئية الموجودة في البكسلات تدريجيًا في خرائط سمات. ويساعد ذلك النموذج على الحفاظ على كفاءته، لكنه يعني أيضًا تلاشي التفاصيل الدقيقة.

الشكل 2. تمثل خرائط السمات الأنماط المرئية في صورة (المصدر)

بالنسبة إلى الأهداف الصغيرة، قد تختفي الإشارات المهمة قبل أن تتاح لشبكة الاكتشاف فرصة لمعالجتها. وعند حدوث ذلك، يصبح تحديد الموقع أقل موثوقية، وقد تتحرك مربعات الإحاطة أو تتداخل أو تخفق تمامًا في تحديد الأجسام المستهدفة.

الحجب وتباين المقاييس والسياق#

غالبًا ما ترتبط التحديات المتعلقة بالحجم بالحجب أيضًا. يحدث الحجب عندما تخفي أجسام أخرى في المشهد الأجسام، ولا سيما الأصغر منها، جزئيًا.

يقلل ذلك من المساحة المرئية للهدف، مما يحد من المعلومات المتاحة لكاشف الأجسام. وحتى الحجب الجزئي البسيط قد يربك شبكات الاكتشاف، ولا سيما عند اقترانه بمدخل منخفض الدقة. ويمكن رؤية مثال مثير للاهتمام على ذلك في مجموعات بيانات UAV مثل VisDrone، حيث قد تحجب المباني أو الأشجار أو الأجسام المتحركة الأخرى المشاة أو الدراجات أو المركبات جزئيًا.

الشكل 3. مثال من مجموعة بيانات VisDrone يوضح أجسامًا صغيرة (المصدر)

وبالمثل، يضيف تباين المقياس مستوى آخر من الصعوبة عندما يظهر الجسم نفسه صغيرًا جدًا أو كبيرًا نسبيًا، اعتمادًا على المسافة وموضع الكاميرا. وعلى الرغم من هذه العقبات، يجب أن تتعرف خوارزميات الاكتشاف على هذه الأجسام الصغيرة عبر مقاييس مختلفة دون فقدان الدقة.

يؤدي السياق أيضًا دورًا مهمًا في الاكتشاف. فعلى سبيل المثال، تظهر الأجسام الكبيرة عادةً مع محيط واضح يوفر إشارات مرئية مفيدة. أما الأهداف الصغيرة فغالبًا ما تفتقر إلى هذه المعلومات السياقية، مما يجعل التعرف على الأنماط أصعب.

مشكلة المقياس الخفي في اكتشاف الأجسام الصغيرة#

تقيس مقاييس التقييم الشائعة، مثل التقاطع على الاتحاد (IoU)، مدى تداخل مربع الإحاطة المتنبأ به مع مربع الحقيقة الأرضية. وبينما يعمل IoU جيدًا مع الأجسام الأكبر، يختلف سلوكه كثيرًا مع الأجسام الصغيرة.

تشغل الأجسام الصغيرة عددًا قليلًا من البكسلات، لذا يمكن حتى لانزياح طفيف في المربع المتنبأ به أن يُحدث خطأً نسبيًا كبيرًا ويخفض درجة IoU بشدة. وهذا يعني أن الأجسام الصغيرة غالبًا ما تفشل في بلوغ عتبة IoU القياسية المستخدمة لاحتساب التنبؤ صحيحًا، حتى عندما يكون الجسم ظاهرًا في الصورة.

ونتيجة لذلك، تزداد احتمالية تصنيف أخطاء تحديد الموقع على أنها إيجابيات كاذبة أو سلبيات كاذبة. وقد دفعت هذه القيود الباحثين إلى إعادة التفكير في كيفية تقييم أنظمة اكتشاف الأجسام للأهداف الصغيرة صعبة الاكتشاف ومعالجتها.

السمات متعددة المقاييس: مفتاح اكتشاف الأجسام الصغيرة في الوقت الفعلي#

مع عمل الباحثين على تحسين اكتشاف الأجسام الصغيرة، اتضح أن الحفاظ على المعلومات المرئية وتمثيلها عبر مقاييس متعددة أمر أساسي. ويتردد صدى هذه الرؤية في أبحاث arXiv الحديثة وفي الأوراق المقدمة في فعاليات مثل المؤتمرات الدولية التابعة لـ IEEE وجمعية الرؤية الحاسوبية الأوروبية (ECCV).

عند انتقال الصور إلى طبقات أعمق من الشبكة العصبية، قد تفقد الأجسام الصغيرة تفاصيلها أو تختفي تمامًا، ولهذا تركز نماذج الرؤية الحاسوبية الحديثة مثل Ultralytics YOLO11 بدرجة كبيرة على تحسين استخراج السمات. لنستعرض بعد ذلك المفاهيم الأساسية وراء خرائط السمات وشبكات هرم السمات لفهمها بصورة أفضل.

خرائط السمات وتمثيل المقاييس#

عندما تدخل صورة إدخال، مثل صورة للاستشعار عن بُعد، إلى شبكة عصبية، تتحول تدريجيًا إلى خرائط سمات. وهذه تمثيلات مبسطة للصورة تبرز الأنماط المرئية مثل الحواف والأشكال والأنسجة.

كلما تعمقت الشبكة، صغر الحجم المكاني لخرائط السمات. ويساعد هذا الانخفاض النموذج على العمل بكفاءة والتركيز على المعلومات عالية المستوى. ومع ذلك، فإن تصغير خرائط السمات العميقة يقلل أيضًا من التفاصيل المكانية.

الشكل 4. استخراج السمات عنصر أساسي لاكتشاف الأجسام الصغيرة. (المصدر)

بينما تحتفظ الأجسام الكبيرة بقدر كافٍ من المعلومات المرئية لاكتشافها بدقة، قد تفقد الأهداف الصغيرة تفاصيل مهمة بعد بضع طبقات من الشبكة فقط. وعند حدوث ذلك، قد يواجه النموذج صعوبة في التعرف حتى على وجود جسم صغير. وهذا أحد الأسباب الرئيسية لعدم اكتشاف الأجسام الصغيرة في نماذج اكتشاف الأجسام العميقة.

شبكات هرم السمات والتعلم متعدد المقاييس#

قُدِّمت شبكات هرم السمات، التي تُسمى غالبًا FPN، لمعالجة فقدان التفاصيل المكانية، وتعمل وحدةً داعمةً تجمع المعلومات من طبقات متعددة حتى تتمكن النماذج من اكتشاف الأجسام الصغيرة بفعالية أكبر. وتُعرف هذه العملية أيضًا باسم تجميع السمات ودمج السمات.

توفر الطبقات السطحية تفاصيل مكانية دقيقة، بينما تضيف الطبقات الأعمق سياقًا دلاليًا، مما يتيح تعلم السمات بفعالية عبر مقاييس متعددة. وعلى عكس رفع الدقة الساذج الذي يكتفي بتكبير خرائط السمات، تحافظ FPN على المعلومات ذات المعنى وتحسن اكتشاف الأجسام الصغيرة.

تبني الأساليب الحديثة على هذه الفكرة باستخدام دمج تكيفي للسمات وتصميمات واعية بالسياق لتعزيز اكتشاف الأهداف الصغيرة أكثر. وبعبارة أخرى، تساعد FPN النماذج على رؤية الصورة الكبيرة والتفاصيل الدقيقة في الوقت نفسه. ويُعدّ هذا التحسين ضروريًا عندما تكون الأجسام صغيرة.

كيف تطورت نماذج اكتشاف الأجسام للتعامل مع الأجسام الصغيرة#

فيما يلي لمحة عن كيفية تطور نماذج اكتشاف الأجسام وتقدمها بمرور الوقت لتحسين اكتشاف الأجسام ذات الأحجام المختلفة، بما في ذلك الأجسام الصغيرة جدًا:

• أساليب الاكتشاف المبكرة: اعتمدت أساليب اكتشاف الأجسام المبكرة على سمات مصممة يدويًا وخوارزميات قائمة على القواعد ومتجذرة في معالجة الصور الكلاسيكية. وبما أن هذه السمات كانت ثابتة، تراجع الأداء مع اختلاف الصور.
• إدخال التعلم الآلي والتعلم العميق: شكّل اعتماد التعلم الآلي والتعلم العميق تحولًا كبيرًا في أبحاث اكتشاف الأجسام. فبدلًا من الاعتماد على قواعد محددة مسبقًا، تعلمت الشبكات العصبية التمثيلات المرئية مباشرةً من بيانات التدريب، مما حسّن قدرتها على التكيف مع أحجام الأجسام والمشاهد المتنوعة.
• الشبكات التلافيفية: تتعلم هذه الشبكات العصبية رؤية الأنماط في الصور. تلتقط كل طبقة تفاصيل مختلفة، بدءًا من الحواف والألوان البسيطة، ثم الأشكال، ووصولًا إلى الأجسام الكاملة، مما يجعلها أساسية للرؤية الحاسوبية الحديثة.
• كواشف الأجسام ثنائية المرحلة: أنشأت الكواشف ثنائية المرحلة، مثل Faster R-CNN التي قدمها Girshick وRen، مناطق مرشحة أولًا ثم صنفتها. حسّن هذا الأسلوب الدقة للأجسام الصغيرة، لكنه زاد التكلفة الحوسبية وخفّض الأداء في الوقت الفعلي.
• كواشف الأجسام أحادية المرحلة: تجري الكواشف أحادية المرحلة، مثل SSD (كاشف اللقطة الواحدة) وعائلة YOLO (ترى مرة واحدة)، بما في ذلك YOLOv3 وUltralytics YOLOv5 ثم Ultralytics YOLOv8، عملية الاكتشاف في تمريرة واحدة. ويحسن هذا التصميم سرعة الاستدلال بدرجة كبيرة مع الحفاظ على دقة تنافسية.
• أحدث النماذج المتقدمة: تركز نماذج اكتشاف الأجسام الأحدث بدرجة أكبر على الأداء في الوقت الفعلي والنشر على الحافة. صُممت إصدارات نماذج Ultralytics YOLO الحديثة، مثل Ultralytics YOLO11 وUltralytics YOLO26 المرتقب، لتحقيق توازن بين الدقة العالية والاستدلال منخفض زمن الاستجابة، مما يجعلها مناسبة تمامًا لاكتشاف الأجسام بمختلف أحجامها، بما في ذلك الأهداف الصغيرة، على الأجهزة ذات القدرة الحوسبية المحدودة.

استخدام Ultralytics YOLO11 في حالات استخدام اكتشاف الأجسام الصغيرة#

بعد أن أصبح لدينا فهم أفضل لكيفية عمل اكتشاف الأجسام الصغيرة، فلنلقِ نظرة على بعض التطبيقات الواقعية التي يمكن تطبيق Ultralytics YOLO11 فيها.

المركبات الجوية غير المأهولة والتصوير الجوي#

تخيل طائرة مسيّرة تحلق عاليًا فوق شارع مزدحم في مدينة. فمن ذلك الارتفاع، تنكمش السيارات والدراجات وحتى الأشخاص لتظهر على الشاشة في هيئة بضع بكسلات فقط.

غالبًا ما تلتقط وحدات المركبات الجوية غير المأهولة والتصوير الجوي مشاهد من هذا النوع، حيث تكون الأجسام محل الاهتمام صغيرة ومحاطة بخلفيات مزدحمة، مما يجعل اكتشافها صعبًا على نماذج الرؤية الحاسوبية.

في هذه الأنواع من السيناريوهات، قد يكون Ultralytics YOLO11 خيارًا مثاليًا للنموذج. فعلى سبيل المثال، يمكن لطائرة مسيّرة مجهزة بنموذج مثل YOLO11 مراقبة حركة المرور في الوقت الفعلي، واكتشاف المركبات وراكبي الدراجات والمشاة أثناء تحركهم في المشهد، حتى عندما يشغل كل جسم جزءًا صغيرًا من الصورة فقط. ويتيح ذلك اتخاذ قرارات أسرع واستخلاص رؤى أدق في تطبيقات مثل إدارة حركة المرور والسلامة العامة والتخطيط الحضري.

الروبوتات والأتمتة#

تُستخدم الروبوتات غالبًا في بيئات تكون فيها الدقة والتوقيت أمرين حاسمين. ففي أماكن مثل المستودعات والمصانع والمزارع، قد يحتاج الروبوت إلى التعرف بسرعة على أجسام صغيرة جدًا، مثل قطعة على خط تجميع أو ملصق على عبوة أو برعم نبات صغير في حقل، والاستجابة لها.

قد يكون اكتشاف أجسام بهذا الحجم معقدًا، ولا سيما عندما تظهر في موجز الكاميرا على هيئة بضع بكسلات فقط أو تكون محجوبة جزئيًا بأجسام أخرى. وقد يؤدي عدم اكتشاف هذه التفاصيل الصغيرة إلى إبطاء الأتمتة أو التأثير في قدرة الروبوت على إكمال مهمة.

يمكن لـ Ultralytics YOLO11 أن يُحدث فرقًا في هذه الحالات. إذ يتيح استخراج السمات المحسن والاستدلال السريع للروبوتات اكتشاف الأجسام الصغيرة في الوقت الفعلي واتخاذ إجراء فوري.

يدعم Ultralytics YOLO11 أيضًا التجزئة على مستوى المثيلات، مما قد يساعد الروبوتات على فهم حدود الأجسام ونقاط الإمساك بدقة أكبر، بدلًا من تحديد مربعات الإحاطة العامة فقط. فعلى سبيل المثال، يمكن لذراع روبوتية مدمجة مع YOLO11 رصد مكونات صغيرة على حزام ناقل، وتقسيم شكلها الدقيق، والتقاطها قبل أن تخرج عن نطاق الوصول، مما يساعد النظام على الحفاظ على كفاءته وموثوقيته.

ما الذي يجعل Ultralytics YOLO11 فعالًا في اكتشاف الأجسام الصغيرة؟#

مع توفر هذا العدد الكبير من نماذج الرؤية الحاسوبية اليوم، قد تتساءل عما يميز Ultralytics YOLO11.

فيما يلي بعض الأسباب التي تجعل Ultralytics YOLO11 خيارًا ممتازًا للتطبيقات التي تحتاج إلى اكتشاف الأجسام الصغيرة:

• استخراج سمات أفضل: يستخدم YOLO11 بنية محسنة للعمود الفقري والعنق لتعزيز استخراج السمات، مما يتيح اكتشاف الأجسام بدقة أكبر.
• المنظومة وسهولة الاستخدام: حزمة Ultralytics Python هي مكتبة توفر وظائف مدمجة لتحميل نماذج مثل YOLO11 وتدريبها والتحقق منها ونشرها. وبما أن سير العمل هذا لا يتطلب سوى بضعة أسطر من التعليمات البرمجية، يمكن للفرق إجراء التجارب بسرعة وضبط النماذج بدقة لاكتشاف الأجسام الصغيرة.
• محسّن للنشر على الحافة: يمكن لـ Ultralytics YOLO11 العمل بكفاءة على أجهزة الحافة مثل NVIDIA Jetson وRaspberry Pi وأنظمة الكاميرات الصناعية. وببساطة، يتيح ذلك تنفيذ مهام الذكاء الاصطناعي للرؤية في الوقت الفعلي مباشرةً على الجهاز.

استراتيجيات عملية لاستخدامها عند اكتشاف الأجسام الصغيرة باستخدام Ultralytics YOLO11#

بالإضافة إلى استخدام نموذج مثل Ultralytics YOLO11، يمكن أن تُحدث طريقة إعداد التعليقات التوضيحية ومجموعة البيانات ككل وإجراء تدريب النموذج فرقًا كبيرًا في أداء الاكتشاف.

فيما يلي نظرة سريعة على الجوانب التي ينبغي التركيز عليها:

• زيادة البيانات المناسبة: يمكن لزيادة البيانات الخفيفة، مثل تغيير المقياس أو الاقتصاص، أن تساعد النموذج على التعميم على صور جديدة. إلا أن زيادة البيانات واسعة النطاق والمفرطة قد تشوه الأجسام الصغيرة أو تزيلها، مما يجعل تعلمها أصعب على النموذج.
• دراسة حالات الفشل: يساعد تحليل المواضع التي يفشل فيها النموذج في اكتشاف الأجسام أو يحددها خطأً على إنشاء خط أساس والكشف عما إذا كانت المشكلات ناتجة عن مجموعة البيانات أو فقدان المعلومات أثناء استخراج السمات أو الحاجة إلى تعديل إعدادات التدريب.
• تركيب مجموعة البيانات: ينبغي أن تحتوي مجموعة البيانات على أمثلة كافية للأجسام الصغيرة حتى يتعلم النموذج أنماطًا ذات معنى، كما ينبغي أن تظل متوازنة كي لا تطغى الأجسام الأكبر على الأصغر أثناء التدريب.

أهم النقاط المستخلصة#

يصعب اكتشاف الأجسام الصغيرة لأن الأهداف الصغيرة تفقد تفاصيلها أثناء انتقال الصور عبر نموذج للرؤية الحاسوبية. يحسّن Ultralytics YOLO11 طريقة الحفاظ على هذه التفاصيل، مما يجعل اكتشاف الأجسام الصغيرة أكثر موثوقية دون التضحية بالأداء في الوقت الفعلي. ويتيح هذا التوازن لـ YOLO11 دعم اكتشاف دقيق وفعال في التطبيقات الواقعية.

انضم إلى مجتمعنا المتنامي! استكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. تعرّف على ابتكارات مثل الرؤية الحاسوبية في قطاع البيع بالتجزئة والذكاء الاصطناعي في قطاع السيارات من خلال زيارة صفحات حلولنا. لبدء بناء حلول باستخدام الرؤية الحاسوبية اليوم، اطّلع على خيارات الترخيص.