كيفية تدريب Ultralytics YOLO26 مخصصًا لتجزئة الكائنات

بفضل التطورات التقنية الحديثة، تعمل أنظمة ذكية كثيرة تؤدي دورًا خفيًا لكنه مؤثر في حياتنا بواسطة الذكاء الاصطناعي. فعلى سبيل المثال، عندما تتجاوز سيارة إشارة حمراء وتسجّل كاميرا المخالفة تلقائيًا، أو عندما يرصد نظام فحص جودة مؤتمت عيبًا تصنيعيًا على خط إنتاج، يكون الذكاء الاصطناعي هو من ينجز العمل في الخلفية.

وعلى وجه الخصوص، يتيح أحد فروع الذكاء الاصطناعي المعروف باسم الرؤية الحاسوبية للآلات تفسير الصور ومقاطع الفيديو وفهمها. وتمكّن الرؤية الحاسوبية الأنظمة من التعرّف على الأجسام وتتبع الحركة وتحليل التفاصيل المرئية آنيًا، ما يجعلها أساسية لتطبيقات مثل مراقبة حركة المرور والفحص الصناعي والروبوتات.

تتحقق هذه الإمكانات بفضل نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26، الذي يدعم مجموعة متنوعة من مهام الرؤية، بما في ذلك اكتشاف الأجسام وتجزئة الكائنات. يحدد اكتشاف الأجسام الأجسام باستخدام مربعات إحاطة بسيطة، بينما تتجاوز تجزئة الكائنات ذلك بتحديد حدود كل جسم على مستوى البكسل، ما يتيح نتائج أدق وأكثر موثوقية في سيناريوهات العالم الحقيقي.

الشكل 1. تجزئة الأجسام في صورة باستخدام Ultralytics YOLO26

النماذج مثل Ultralytics YOLO26 مُدرّبة مسبقًا، ويمكنها تجزئة الأجسام اليومية مثل الأشخاص والسيارات والحيوانات فور استخدامها. ومع ذلك، يمكن أيضًا تدريبها تدريبًا مخصصًا لتطبيقات أكثر تحديدًا. وبعبارة أخرى، يمكن للنماذج تعلم مظهر الأجسام وكيفية تحديد حدودها بدقة.

في هذه المقالة، سنشرح كيفية تدريب Ultralytics YOLO26 تدريبًا مخصصًا على تجزئة الكائنات. لنبدأ!

ما تقسيم المثيلات؟#

قبل أن نتعمق في تدريب النماذج، لنتوقف قليلًا لفهم المقصود فعلًا بـتجزئة الكائنات.

تجزئة الكائنات مهمة في الرؤية الحاسوبية تتيح للنموذج العثور على كل جسم منفرد في الصورة وتحديد شكله الدقيق. فبدلًا من الاكتفاء بتحديد وجود جسم ما، يفحص النموذج كل بكسل في الصورة ويقرر ما إذا كان ينتمي إلى جسم محدد.

وهذا يعني أن النموذج يستطيع فصل الأجسام حتى عندما تتداخل أو تكون متقاربة جدًا. ومن المفاهيم الأساسية التي تسهّل تصور تجزئة الكائنات مفهوم القناع.

القناع هو تحديد على مستوى البكسل لا يغطي سوى مساحة الجسم. ويمكنك تخيله كأنك تلوّن الجسم بقلم تمييز مع ترك كل ما عداه دون تغيير.

يُخصَّص قناع لكل جسم، ما يتيح للنموذج تمييز جسم عن آخر، حتى لو كانا من النوع نفسه، مثل سيارتين أو شخصين يقفان بجوار بعضهما.

الشكل 2. نظرة على تجزئة الكائنات

للحصول على فكرة أوضح عن تجزئة الكائنات، يمكننا مقارنتها بمهام الرؤية الحاسوبية الشائعة الأخرى. يستخدم اكتشاف الأجسام مربعات الإحاطة، وهي مستطيلات بسيطة تُرسم حول الأجسام. وتتميز مربعات الإحاطة بالسرعة والفائدة، لكنها لا تلتقط الشكل الدقيق للجسم.

أما التجزئة الدلالية، فتُصنّف كل بكسل في الصورة حسب الفئة، لكنها لا تميّز بين الأجسام المنفصلة من الفئة نفسها. تجمع تجزئة الكائنات أفضل ما في النهجين، إذ تحدد فئات الأجسام وتُسنِد قناعًا مستقلًا إلى كل جسم.

نظرًا إلى أن تجزئة الكائنات توفر معلومات مفصلة للغاية، فهي مفيدة خصوصًا في تطبيقات العالم الحقيقي مثل فحص الجودة المؤتمت والتصوير الطبي والروبوتات. ويمكن للمهام التي تتطلب قياسات دقيقة أو حدودًا واضحة أو فصل الأجسام أن تستفيد من هذا الفهم على مستوى البكسل.

يدعم Ultralytics YOLO26 تجزئة الكائنات#

Ultralytics YOLO26 نموذج متطور للرؤية الحاسوبية، شامل من البداية إلى النهاية وخالٍ من تثبيط القيمة القصوى (NMS)، ومصمم للتعامل مع مهام الرؤية الواقعية بسرعة وكفاءة. وينتمي إلى عائلة نماذج الكشف Ultralytics YOLO، التي تستطيع معالجة الصور ومقاطع الفيديو آنيًا مع تقديم نتائج دقيقة.

يدعم Ultralytics YOLO26 مهام رؤية متعددة ضمن إطار عمل واحد، تشمل اكتشاف الأجسام وتقدير الوضعيات وتصنيف الصور واكتشاف مربعات الإحاطة الموجّهة (اكتشاف obb) وتجزئة الكائنات.

يأتي Ultralytics YOLO26 مُدرّبًا مسبقًا وجاهزًا للاستخدام، أي إنه تعلّم بالفعل التعرّف على الأجسام الشائعة مثل الأشخاص والمركبات والأغراض اليومية من مجموعات بيانات كبيرة وشائعة الاستخدام مثل مجموعة بيانات COCO ومجموعة بيانات ImageNet. ويمكنك البدء باستخدام النموذج فورًا دون أي تدريب إضافي.

لكن عندما يتضمن تطبيقك أجسامًا فريدة أو بيئات محددة أو ظروف إضاءة غير مألوفة، يمكن أن يؤدي التدريب المخصص للنموذج إلى تحسين النتائج بدرجة كبيرة. ومن خلال تدريب Ultralytics YOLO26 على صورك الموسومة، يمكنك تعليم النموذج بدقة ما ينبغي البحث عنه وكيفية تحديد حدود الأجسام على نحو أدق لحالة استخدامك.

تُعرف هذه العملية أيضًا باسم الضبط الدقيق. فبدلًا من تدريب النموذج من الصفر، يبدأ الضبط الدقيق بنموذج Ultralytics YOLO26 مُدرّب مسبقًا ويكيّفه تدريجيًا باستخدام بياناتك. ولأن النموذج يفهم بالفعل الأنماط البصرية العامة مثل الحواف والأشكال والأنسجة، فإنه يحتاج إلى عدد أقل بكثير من الصور الموسومة ووقت أقصر بكثير لتعلّم أجسامك المحددة.

ببساطة، الضبط الدقيق أسرع وأكثر كفاءة وأيسر من تدريب نموذج من البداية. ويُعد التدريب المخصص لـ Ultralytics YOLO26 خيارًا عمليًا حتى للمبتدئين أو الفرق التي تعمل ببيانات وموارد حوسبة محدودة.

استكشاف تطبيقات تجزئة الكائنات في Ultralytics YOLO26#

إذًا، أين يمكن أن تحقق تجزئة الكائنات أثرًا ملموسًا؟ في الحالات التي يكون فيها التمييز بين الأجسام وفهم أشكالها الدقيقة مهمًا، ولا سيما عندما تكون الأجسام متزاحمة أو متداخلة.

فيما يلي بعض مسارات العمل الشائعة التي تُحدث فيها تجزئة الكائنات فرقًا ملموسًا:

• التصوير الجوي والتصوير بالطائرات المسيّرة: تتيح هذه المهمة للطائرات المسيّرة فصل أجسام مثل المباني والمركبات والغطاء النباتي في الصور الجوية لأغراض رسم الخرائط والفحص والمسح.
• تحليلات الرياضة: تساعد تجزئة الكائنات على تحليل حركة اللاعبين وتفاعلاتهم من خلال فصل كل رياضي عن الخلفية أثناء المباريات أو جلسات التدريب.
• مراقبة البناء والبنية التحتية: تساعد على تحديد العناصر الإنشائية والشقوق والمناطق المتضررة في المباني والجسور والطرق لأغراض تخطيط الصيانة.
• الرعاية الصحية والتصوير الطبي: تتيح تجزئة الكائنات تحديد حدود الخلايا أو الأنسجة أو الأدوات الطبية بدقة، ما يدعم تحليلًا وتشخيصًا أدق.
• الزراعة والرصد البيئي: يمكنها تحديد المحاصيل أو الفواكه أو أمراض النباتات وفصلها، ما يسهّل تقدير الغلال وتطبيق المعالجات المستهدفة.

الشكل 3. مثال على تجزئة الأعشاب الضارة باستخدام YOLO26 (المصدر)

كيفية عمل التدريب المخصص لـ Ultralytics YOLO26 على تجزئة الكائنات#

بعد ذلك، لنناقش كيفية عمل التدريب المخصص. قد يبدو تدريب النموذج أمرًا تقنيًا، لكن العملية ككل بسيطة.

يمكنك تجهيز صورك، ووضع تسميات للأجسام التي تريد أن يتعلمها النموذج، وضبط ملف إعدادات صغير، ثم تدريب YOLO26 باستخدام حزمة Ultralytics Python. حزمة Ultralytics Python مكتبة برمجية توفر أدوات جاهزة للاستخدام لتدريب نماذج YOLO واختبارها ونشرها دون الحاجة إلى بناء كل شيء من الصفر.

الخطوة 1: إعداد مجموعة البيانات المخصصة#

تتمثل الخطوة الأولى في إعداد مجموعة بيانات التقسيم المخصصة. ومجموعة البيانات هي ببساطة مجموعة من الصور التي تعرض العناصر التي تريد أن يتعلمها النموذج.

حاول تضمين صور تعكس ظروف العالم الحقيقي، مثل اختلاف الزوايا والإضاءة والخلفيات وأحجام العناصر. وكلما زاد تنوع الصور، تحسن أداء النموذج.

في التقسيم على مستوى المثيلات، تحتاج صورك أيضًا إلى تعليقات توضيحية. وتتضمن هذه العملية تسمية العناصر في كل صورة حتى يعرف النموذج ما ينبغي أن يتعلمه. وبدلًا من رسم مربعات بسيطة، سترسم حدودًا دقيقة (مضلعات) حول كل عنصر لتحديد شكله بدقة. وتصبح هذه الحدود أقنعة يتعلم النموذج التنبؤ بها.

تتوفر عدة أدوات مفتوحة المصدر للتعليق التوضيحي يمكنك استخدامها لإنشاء هذه التسميات. وتوفر كثير من هذه الأدوات واجهات سهلة الاستخدام تتيح لك تحميل الصور ورسم حدود العناصر عليها مباشرةً.

بعد تجهيز الصور والتعليقات التوضيحية، يمكنك تنظيمها في مجلدات التدريب والتحقق. والتقسيم المعتاد هو تخصيص 80% من الصور للتدريب و20% للتحقق، مع أن تخصيص 70% للتدريب و30% للتحقق شائع أيضًا، بحسب حجم مجموعة البيانات. وتُعلّم مجموعة التدريب النموذج، بينما تُستخدم مجموعة التحقق لقياس مدى أدائه على صور لم يسبق له رؤيتها.

من المهم الحفاظ على توازن هذا التقسيم والتأكد من احتواء كلا المجلدين على أمثلة متنوعة. وتشكل مجموعة البيانات النظيفة والموسومة جيدًا، مع تقسيم مناسب إلى مجموعتي التدريب والتحقق، أساسًا متينًا لنموذج قوي للتقسيم على مستوى المثيلات.

الخطوة 2: إنشاء ملف YAML لمجموعة البيانات#

بعد تجهيز الصور والتعليقات التوضيحية، تتمثل الخطوة التالية في إنشاء ملف YAML لمجموعة البيانات. ويوضح هذا الملف موقع مجموعة البيانات وفئات العناصر التي ينبغي للنموذج تعلمها أثناء التدريب.

في هذا الملف، يمكنك تحديد الدليل الجذر لمجموعة البيانات، ومسارات مجلدي صور التدريب والتحقق، وقائمة أسماء الفئات. ويجب إدراج أسماء الفئات بالترتيب نفسه لأرقام الفئات المستخدمة في ملفات التعليقات التوضيحية، لضمان تطابق كل شيء.

إذا كانت لديك أسئلة حول التنسيق الدقيق، يمكنك الرجوع إلى وثائق Ultralytics الرسمية لمزيد من التفاصيل.

الخطوة 3: تثبيت حزمة Ultralytics Python#

بعد أن أصبحت مجموعة البيانات وملف YAML جاهزين، تتمثل الخطوة التالية في تثبيت حزمة Ultralytics Python.

تتضمن هذه الحزمة الأدوات اللازمة لتدريب نماذج Ultralytics YOLO26 والتحقق منها وإجراء الاستدلال بها وتصديرها. وتوفر طريقة مبسطة للعمل مع نماذج YOLO دون إنشاء مسارات تدريب معقدة من الصفر.

قبل تثبيت حزمة Ultralytics Python، من المهم أيضًا اختيار البيئة التي تريد تشغيل التعليمات البرمجية فيها. يمكنك العمل بحزمة Ultralytics ضمن عدة بيئات تطوير مختلفة، مثل:

• واجهة سطر الأوامر (CLI): بيئة نصية تتفاعل فيها مع حاسوبك بكتابة الأوامر. فبدلًا من النقر على الأزرار أو التنقل بين القوائم كما في الواجهة الرسومية، تُدخل تعليمات مكتوبة لتشغيل البرامج وتنفيذ المهام مباشرةً.
• دفاتر Jupyter: بيئة تفاعلية تكتب فيها التعليمات البرمجية وتشغّلها على أجزاء صغيرة، وترى النتائج فورًا. وهذا مفيد للتجريب والتعلم.
• Google Colab: منصة دفاتر سحابية لا تتطلب تثبيتًا محليًا، وتوفر إمكانية اختيارية للوصول إلى وحدات معالجة الرسوميات (GPUs). وغالبًا ما تكون الخيار الأسهل للمبتدئين.

بعد اختيار البيئة، يمكنك تثبيت حزمة Ultralytics Python. لتثبيتها، نفّذ الأمر التالي:

pip install ultralytics

إذا كنت تستخدم بيئة تعتمد على دفاتر الملاحظات، مثل Google Colab أو Jupyter Notebook، فأضف علامة تعجب في بداية الأمر. إذا واجهت أي مشكلات في التثبيت، فيمكنك الرجوع إلى وثائق Ultralytics أو دليل استكشاف الأخطاء وإصلاحها للاطلاع على الحلول الشائعة ونصائح إعداد البيئة.

بعد التثبيت، ستكون جاهزًا لتحميل نموذج Ultralytics YOLO26 مُدرّب مسبقًا للتقسيم والبدء بالتدريب.

الخطوة 4: تدريب Ultralytics YOLO26 على التقسيم على مستوى المثيلات#

قبل بدء التدريب، ستحتاج إلى اختيار حجم النموذج. تتوفر نماذج Ultralytics YOLO26 بأحجام مختلفة: نانو (n)، وصغير (s)، ومتوسط (m)، وكبير (l)، وكبير جدًا (x).

تُدرَّب النماذج الأصغر بسرعة أكبر وتعمل بكفاءة أعلى على وحدات المعالجة المركزية (CPUs) أو الأجهزة الطرفية، بينما توفر النماذج الأكبر عادةً دقة أعلى، لكنها تتطلب ذاكرة أكبر وتستفيد من تسريع GPU. وإذا كنت في بداية استخدامك أو تعمل بعتاد محدود، فإن إصدار نانو (YOLO26n) خيار عملي.

بعد اختيار حجم النموذج، تتمثل الخطوة التالية في تحميل نموذج تقسيم مُدرّب مسبقًا وبدء تدريبه على مجموعة البيانات المخصصة. وللقيام بذلك، ستحتاج إلى تحديد ملف النموذج المدرّب مسبقًا، ومسار ملف YAML لمجموعة البيانات، وعدد العصور التدريبية، وحجم الصورة، كما هو موضح أدناه.

from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")
results = model.train(data="path/to/file.yaml", epochs=100, imgsz=640)

يحدد عدد العصور التدريبية عدد المرات التي يمر فيها النموذج على مجموعة بيانات التدريب بأكملها. وفي كل عصر تدريبي، يُجري النموذج تنبؤات، ويقارنها بالتعليقات التوضيحية الصحيحة، ويحسب الأخطاء، ويحدّث معلماته الداخلية لتحسين الأداء.

إذا بدأ التدريب على النحو الصحيح، فستظهر تهيئة النموذج وفحص مجموعة البيانات وتقدم التدريب في الطرفية أو الدفتر. ومع استمرار التدريب، ستُحدّث قيم الخسارة ومقاييس التقييم بعد كل عصر تدريبي، لتوضيح تحسن النموذج بمرور الوقت.

الخطوة 5: تقييم أداء النموذج المدرّب خصيصًا#

بعد اكتمال التدريب، يمكنك مراجعة مقاييس أداء النموذج والتحقق منها. في Google Colab، انتقل إلى مجلد “runs”، ثم مجلد “segment”، وأخيرًا مجلد “train”، حيث ستجد سجلات تعرض مؤشرات الأداء الرئيسية.

بالنسبة إلى المستخدمين العاملين في بيئة Python، تُحفَظ نتائج التدريب افتراضيًا في الدليل “runs/train/” ضمن دليل العمل الحالي. وينشئ كل تشغيل للتدريب دليلًا فرعيًا جديدًا، مثل runs/train/exp أو runs/train/exp2، حيث يمكنك العثور على السجلات والأوزان المحفوظة ومخرجات أخرى متعلقة بهذه التجربة.

إذا كنت تستخدم CLI، فيمكنك الوصول إلى هذه النتائج وإدارتها باستخدام الأمر “yolo settings”. ويتيح لك هذا الأمر عرض المسارات والإعدادات المتعلقة بسجلات التدريب وتفاصيل التجارب أو تعديلها.

ومن بين المخرجات المحفوظة، ستجد أيضًا الرسوم البيانية التي أُنشئت أثناء التدريب. وتوضح هذه الرسوم تحسن النموذج بمرور الوقت. فعلى سبيل المثال، تعرض انخفاض الخسارة مع تعلم النموذج، وارتفاع مقاييس التقييم، مثل الدقة والاستدعاء ومتوسط الدقة، على امتداد العصور التدريبية.

الشكل 4. أنواع الرسوم البيانية التي يمكنك تحليلها لتقييم نموذجك (المصدر)

يمكن لهذه الاتجاهات المرئية أن تساعدك على فهم ما إذا كان تدريب النموذج قد نجح ومقدار التحسن الذي حققه من بداية التدريب إلى نهايته. وتمنحك مراجعة المقاييس الرقمية والرسوم البيانية معًا صورة أوضح عن أداء نموذج التقسيم على مستوى المثيلات، قبل الانتقال إلى اختباره على صور جديدة.

الخطوة 6: اختبار النموذج وإجراء الاستدلالات#

بعد التحقق من النموذج، تتمثل الخطوة الأخيرة في اختباره على صور جديدة. وتُسمى هذه العملية الاستدلال، أي استخدام النموذج المدرّب لإجراء تنبؤات على بيانات لم يسبق له رؤيتها.

يمكنك إجراء الاستدلال في Python كما يلي:

results = model.predict("path/to/image.jpg", save=True, conf=0.3)

في هذا المثال، يمكن استبدال "path/to/image.jpg" بمسار الصورة التي تريد اختبارها.

يطلب الإعداد “save=True” من النموذج إنشاء صورة جديدة وحفظها، بحيث تتضمن أقنعة التقسيم المتنبأ بها مرسومة فوق الصورة الأصلية.

يتحكم الإعداد “conf=0.3” في عتبة الثقة، ما يعني أن النموذج لن يعرض إلا التنبؤات التي يثق بصحتها بنسبة 30% على الأقل. وقد يؤدي خفض هذه القيمة إلى عرض اكتشافات أكثر، بينما يجعل رفعها النموذج أكثر انتقائية.

بعد تنفيذ الأمر، ينشئ النموذج مجلدًا جديدًا داخل دليل runs ويحفظ فيه صورة المخرجات. ويمكنك فتح الصورة المحفوظة للتحقق بصريًا من مدى تطابق أقنعة التقسيم مع حدود العناصر، ومن فصل العناصر المتداخلة على نحو صحيح.

يمكن أن يمنحك اختبار النموذج على صور وخلفيات وظروف إضاءة مختلفة فهمًا أوضح لأدائه خارج مجموعة بيانات التدريب. وحين تبدو النتائج متسقة ودقيقة، يصبح النموذج جاهزًا للتصدير والنشر.

الخطوة 7: تصدير النموذج ونشره#

بعد اختبار النموذج والتأكد من أدائه الجيد، تتمثل الخطوة الأخيرة في تصديره ونشره. ويحوّل التصدير نموذج Ultralytics YOLO26 المدرّب إلى تنسيق يمكن تشغيله في بيئات مختلفة، مثل خوادم الإنتاج والأجهزة الطرفية وتطبيقات الأجهزة المحمولة.

تدعم Ultralytics عدة تنسيقات للتصدير، ما يتيح لك اختيار التنسيق الأنسب لإعداد النشر لديك. فعلى سبيل المثال، يمكنك التصدير إلى ONNX لضمان توافق واسع بين المنصات، أو TensorRT لتحسين أداء GPU على أجهزة NVIDIA، أو OpenVINO للنشر الفعال القائم على CPU على أجهزة Intel. وتسهّل عمليات التكامل هذه تشغيل النموذج خارج بيئة التدريب وتحقيق أداء قوي في الزمن الفعلي.

يمكنك تصدير النموذج في Python باستخدام الأمر التالي:

model.export(format="onnx")

يحوّل هذا الأمر النموذج المدرّب إلى تنسيق ONNX. ويمكنك استبدال "onnx" بتنسيقات أخرى مدعومة بحسب احتياجات النشر.

بعد التصدير، يمكن دمج النموذج في تطبيقات مثل خدمات الويب وأنظمة الرؤية المضمنة ومنصات الروبوتات وأنظمة الفحص الصناعي. وفي هذه المرحلة، يمكن نقل نموذج Ultralytics YOLO26 المخصص والمدرّب للتقسيم على مستوى المثيلات من مرحلة التجريب إلى النشر في العالم الحقيقي.

أبرز النقاط#

يمنحك التدريب المخصص لـ Ultralytics YOLO26 على التقسيم على مستوى المثيلات مرونة بناء نموذج يلائم حالة الاستخدام الخاصة بك فعلًا. ومن خلال إعداد مجموعة بيانات واضحة، وتجهيز ملف YAML، والتدريب باستخدام أوزان تقسيم مدرّبة مسبقًا، ومراجعة النتائج، يمكنك تعليم النموذج تحديد حدود كل عنصر بدقة على مستوى البكسل. وبعد اختباره وتصديره، يمكن نقل نموذج YOLO26 من التطوير إلى تطبيقات متعددة المقاييس في العالم الحقيقي.

انضم إلى مجتمعنا وألقِ نظرة على مستودع GitHub للتعرّف أكثر على الذكاء الاصطناعي. وإذا كنت تتطلع إلى إنشاء مشروعك الخاص في ذكاء الرؤية الاصطناعي، فاطّلع على خيارات الترخيص. واكتشف المزيد عن تطبيقات مثل الذكاء الاصطناعي في الرعاية الصحية وذكاء الرؤية الاصطناعي في قطاع التجزئة عبر صفحات حلولنا.