كيفية تدريب YOLO26 من Ultralytics مخصصاً لتجزئة المثيلات

بفضل التطورات التقنية الأخيرة، يتم تشغيل العديد من الأنظمة الذكية التي تلعب دوراً صامتاً ومؤثراً في حياتنا بواسطة الذكاء الاصطناعي. على سبيل المثال، عندما تقطع سيارة إشارة حمراء وتقوم الكاميرا تلقائياً بتسجيل المخالفة، أو عندما يكتشف نظام فحص الجودة الآلي عيباً في التصنيع على خط الإنتاج، فإن الذكاء الاصطناعي هو من يقوم بالعمل خلف الكواليس.

على وجه الخصوص، يُمكّن فرع من فروع الذكاء الاصطناعي المعروف باسم الرؤية الحاسوبية الآلات من تفسير وفهم الصور ومقاطع الفيديو. تتيح الرؤية الحاسوبية للأنظمة التعرف على الكائنات، وتتبع الحركة، وتحليل التفاصيل المرئية في الوقت الفعلي، مما يجعلها ضرورية لتطبيقات مثل مراقبة حركة المرور، والفحص الصناعي، والروبوتات.

تصبح هذه القدرات ممكنة من خلال نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26، الذي يدعم مجموعة متنوعة من مهام الرؤية، بما في ذلك كشف الكائنات (object detection) وتقسيم النماذج (instance segmentation). بينما يحدد كشف الكائنات الأجسام باستخدام مربعات إحاطة بسيطة (bounding boxes)، يذهب تقسيم النماذج إلى أبعد من ذلك من خلال تحديد الخطوط الخارجية لكل كائن على مستوى البكسل، مما يتيح نتائج أكثر دقة وموثوقية في سيناريوهات العالم الحقيقي.

الشكل 1. تقسيم الكائنات في صورة باستخدام YOLO26

تأتي نماذج مثل YOLO26 مدربة مسبقاً ويمكنها تقسيم الكائنات اليومية مثل الأشخاص والسيارات والحيوانات مباشرةً. ومع ذلك، بالنسبة للتطبيقات الأكثر تحديداً، يمكن أيضاً تدريبها بشكل مخصص. بمعنى آخر، يمكن للنماذج أن تتعلم كيف تبدو الكائنات وكيفية تحديد حدودها بدقة.

في هذه المقالة، سنشرح كيفية التدريب المخصص لنموذج Ultralytics YOLO26 لتقسيم النماذج. لنبدأ!

Link to this sectionما هو تجزئة المثيلات؟#

قبل أن نتعمق في تدريب النماذج، دعونا نتراجع خطوة ونفهم ما يعنيه تقسيم النماذج فعلياً.

تقسيم النماذج هو مهمة رؤية حاسوبية تسمح للنموذج بالعثور على كل كائن فردي في الصورة وتحديد شكله الدقيق. بدلاً من مجرد تحديد وجود كائن ما، ينظر النموذج إلى كل بكسل في الصورة ويقرر ما إذا كان ينتمي إلى كائن معين.

هذا يعني أنه يمكنه فصل الكائنات حتى عندما تتداخل أو تكون قريبة جداً من بعضها البعض. المفهوم الرئيسي الذي يجعل من السهل تصور تقسيم النماذج هو القناع (mask).

القناع هو خط خارجي على مستوى البكسل يغطي منطقة الكائن فقط. يمكنك التفكير في الأمر على أنه تلوين الكائن باستخدام قلم تحديد مع ترك كل شيء آخر دون تغيير.

يحصل كل كائن على قناعه الخاص، مما يسمح للنموذج بتمييز كائن عن آخر، حتى لو كانا من نفس النوع، مثل سيارتين أو شخصين يقفان بجانب بعضهما البعض.

الشكل 2. نظرة على تقسيم النماذج

للحصول على فكرة أفضل عما هو تقسيم النماذج، يمكننا مقارنته بمهام الرؤية الحاسوبية الأخرى الشائعة. يستخدم كشف الكائنات مربعات الإحاطة (bounding boxes)، وهي مستطيلات بسيطة ترسم حول الكائنات. تعتبر مربعات الإحاطة سريعة ومفيدة، لكنها لا تلتقط الشكل الدقيق للكائن.

في غضون ذلك، يقوم التقسيم الدلالي (semantic segmentation) بتسمية كل بكسل في الصورة حسب الفئة، لكنه لا يميز بين الكائنات المنفصلة من نفس الفئة. يجمع تقسيم النماذج بين أفضل ما في النهجين من خلال تحديد فئات الكائنات وتعيين قناع منفصل لكل كائن فردي.

نظراً لأن تقسيم النماذج يوفر معلومات مفصلة جداً، فإنه مفيد بشكل خاص في تطبيقات العالم الحقيقي مثل فحص الجودة الآلي، والتصوير الطبي، والروبوتات. المهام التي تتطلب قياسات دقيقة، أو حدوداً دقيقة، أو فصل الكائنات يمكن أن تستفيد من هذا الفهم على مستوى البكسل.

Link to this sectionيدعم Ultralytics YOLO26 تقسيم النماذج#

Ultralytics YOLO26 هو نموذج رؤية حاسوبية شامل ومتطور، خالٍ من كبت القيم غير القصوى (NMS-free)، ومصمم للتعامل مع مهام الرؤية في العالم الحقيقي بسرعة وكفاءة. ينتمي هذا النموذج إلى عائلة Ultralytics YOLO لنماذج الكشف، والتي يمكنها معالجة الصور ومقاطع الفيديو في الوقت الفعلي مع تقديم نتائج دقيقة.

يدعم YOLO26 مهام رؤية متعددة داخل إطار عمل واحد، بما في ذلك كشف الكائنات، وتقدير الوضع (pose estimation)، وتصنيف الصور، وكشف مربعات الإحاطة الموجهة (obb detection)، وتقسيم النماذج.

يأتي YOLO26 مدرباً مسبقاً، مما يعني أنه تعلم بالفعل التعرف على الكائنات الشائعة مثل الأشخاص والمركبات والأشياء اليومية من مجموعات بيانات كبيرة ومستخدمة على نطاق واسع مثل مجموعة بيانات COCO ومجموعة بيانات ImageNet. يمكنك البدء في استخدام النموذج فوراً دون أي تدريب إضافي.

ومع ذلك، عندما يتضمن تطبيقك كائنات فريدة، أو بيئات محددة، أو ظروف إضاءة غير عادية، يمكن أن يؤدي التدريب المخصص للنموذج إلى تحسين النتائج بشكل كبير. من خلال تدريب YOLO26 على صورك المسمّاة الخاصة، يمكنك تعليم النموذج بالضبط ما يجب البحث عنه وكيفية تحديد حدود الكائنات بدقة أكبر لحالة استخدامك المحددة.

يُشار إلى هذه العملية أيضاً بالضبط الدقيق (fine-tuning). بدلاً من تدريب نموذج من الصفر، يبدأ الضبط الدقيق بنموذج YOLO26 مدرب مسبقاً ويقوم بتكييفه بلطف باستخدام بياناتك الخاصة. نظراً لأن النموذج يفهم بالفعل الأنماط المرئية العامة مثل الحواف والأشكال والقوام، فإنه يحتاج إلى عدد أقل بكثير من الصور المسمّاة ووقت أقل بكثير لتعلم كائناتك المحددة.

ببساطة، يعد الضبط الدقيق أسرع وأكثر كفاءة وأسهل في الوصول إليه من تدريب نموذج من الأساس. يعتبر التدريب المخصص لـ YOLO26 خياراً عملياً حتى للمبتدئين أو الفرق التي تعمل بموارد بيانات وحوسبة محدودة.

Link to this sectionاستكشاف تطبيقات تقسيم النماذج بـ YOLO26#

إذاً، أين يمكن أن يكون تقسيم النماذج مؤثراً؟ في المواقف التي يكون فيها من المهم التمييز بين الكائنات وفهم أشكالها الدقيقة، خاصة عندما تصبح الأمور مزدحمة أو متداخلة.

فيما يلي بعض سير العمل الشائعة التي يحدث فيها تقسيم النماذج فرقاً حقيقياً:

• التصوير الجوي والدرون: تتيح هذه المهمة للطائرات بدون طيار فصل الكائنات مثل المباني والمركبات والنباتات في الصور الجوية لرسم الخرائط والفحص والمسح.
• تحليلات الرياضة: يساعد تقسيم النماذج في تحليل حركة اللاعبين وتفاعلاتهم عن طريق فصل الرياضيين الأفراد عن الخلفية أثناء المباريات أو جلسات التدريب.
• مراقبة البناء والبنية التحتية: يساعد في تحديد العناصر الهيكلية، أو الشقوق، أو المناطق المتضررة في المباني والجسور والطرق لتخطيط الصيانة.
• الرعاية الصحية والتصوير الطبي: يجعل تقسيم النماذج من الممكن تحديد حدود الخلايا أو الأنسجة أو الأدوات الطبية بدقة، مما يدعم تحليلاً وتشخيصاً أكثر دقة.
• الزراعة والمراقبة البيئية: يمكنه تحديد وفصل المحاصيل أو الفواكه أو أمراض النباتات، مما يسهل تقدير الغلة وتطبيق علاجات مستهدفة.

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

Link to this sectionكيف يعمل التدريب المخصص لـ YOLO26 لتقسيم النماذج#

بعد ذلك، دعونا نناقش كيفية عمل التدريب المخصص. على الرغم من أن تدريب نموذج قد يبدو تقنياً، إلا أن العملية برمتها مباشرة.

يمكنك تجهيز صورك، وتسمية الكائنات التي تريد أن يتعلمها النموذج، وتكوين ملف إعدادات صغير، ثم تدريب YOLO26 باستخدام حزمة Ultralytics Python. حزمة Ultralytics Python هي مكتبة برمجية توفر أدوات جاهزة للاستخدام لتدريب واختبار ونشر نماذج YOLO دون الحاجة إلى بناء كل شيء من الصفر.

Link to this sectionالخطوة 1: تجهيز مجموعة بياناتك المخصصة#

الخطوة الأولى هي تجهيز مجموعة بيانات التقسيم المخصصة لك. مجموعة البيانات هي ببساطة مجموعة من الصور التي تعرض الكائنات التي تريد أن يتعلمها النموذج.

حاول تضمين صور تعكس ظروف العالم الحقيقي، مثل الزوايا المختلفة، والإضاءة، والخلفيات، وأحجام الكائنات. كلما كانت صورك متنوعة، كان أداء نموذجك أفضل.

بالنسبة لتقسيم النماذج، تحتاج صورك أيضاً إلى تعليقات توضيحية. تتضمن التعليقات التوضيحية تسمية الكائنات في كل صورة حتى يعرف النموذج ما يجب تعلمه. بدلاً من رسم مربعات بسيطة، سترسم خطوطاً خارجية مفصلة (مضلعات) حول كل كائن لتمييز شكله الدقيق. تصبح هذه الخطوط الخارجية هي الأقنعة التي يتعلم النموذج التنبؤ بها.

هناك العديد من أدوات التعليق التوضيحي مفتوحة المصدر التي يمكنك استخدامها لإنشاء هذه الملصقات. توفر العديد من هذه الأدوات واجهات سهلة الاستخدام حيث يمكنك تحميل الصور ورسم خطوط الكائنات مباشرة عليها.

بمجرد أن تصبح صورك وتعليقاتك جاهزة، يمكنك تنظيمها في مجلدات للتدريب والتحقق (validation). التقسيم النموذجي هو 80% من الصور للتدريب و20% للتحقق، على الرغم من أن 70% للتدريب و30% للتحقق شائع أيضاً، اعتماداً على حجم مجموعة بياناتك. تعلم مجموعة التدريب النموذج، بينما تُستخدم مجموعة التحقق لقياس مدى أدائه على صور لم يرها من قبل.

من المهم الحفاظ على توازن هذا التقسيم والتأكد من أن كلا المجلدين يحتويان على مجموعة متنوعة من الأمثلة. تشكل مجموعة البيانات النظيفة والمسمّاة جيداً مع تقسيم صحيح للتدريب والتحقق أساس نموذج تقسيم نماذج قوي.

Link to this sectionالخطوة 2: إنشاء ملف YAML لمجموعة البيانات#

بعد تجهيز صورك وتعليقاتك، الخطوة التالية هي إنشاء ملف YAML لمجموعة البيانات. يسلط هذا الملف الضوء على مكان وجود مجموعة بياناتك وفئات الكائنات التي يجب أن يتعلمها النموذج أثناء التدريب.

في هذا الملف، يمكنك تحديد الدليل الجذر لمجموعة البيانات، ومسارات مجلدات صور التدريب والتحقق، وقائمة أسماء الفئات. يجب إدراج أسماء الفئات بنفس ترتيب أرقام الفئات المستخدمة في ملفات التعليق التوضيحي الخاصة بك، حتى تتطابق كل الأمور بشكل صحيح.

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

Link to this sectionالخطوة 3: تثبيت حزمة Ultralytics Python#

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

تتضمن هذه الحزمة الأدوات اللازمة لتدريب نماذج YOLO26 والتحقق منها وتشغيل الاستدلال (inference) وتصديرها. إنها توفر طريقة مبسطة للعمل مع نماذج YOLO دون بناء خطوط أنابيب تدريب معقدة من الصفر.

قبل تثبيت حزمة Ultralytics Python، من المهم أيضاً اختيار المكان الذي تريد تشغيل الكود الخاص بك فيه. يمكنك العمل مع حزمة Ultralytics في العديد من بيئات التطوير المختلفة، مثل:

• واجهة سطر الأوامر (CLI): هي بيئة نصية تتفاعل فيها مع جهاز الكمبيوتر الخاص بك عن طريق كتابة الأوامر. بدلاً من النقر على الأزرار أو التنقل في القوائم كما تفعل في واجهة رسومية، تقوم بإدخال تعليمات مكتوبة لتشغيل البرامج وتنفيذ المهام مباشرة.
• Jupyter Notebooks: بيئة تفاعلية حيث تكتب وتشغل الكود في أقسام صغيرة وترى المخرجات على الفور. هذا مفيد للتجريب والتعلم.
• Google Colab: منصة دفاتر ملاحظات مستندة إلى السحابة لا تتطلب تثبيتاً محلياً وتوفر وصولاً اختيارياً إلى وحدات معالجة الرسومات (GPUs). غالباً ما يكون هذا هو الخيار الأسهل للمبتدئين.

بمجرد اختيار بيئتك، يمكنك تثبيت حزمة Ultralytics Python. لتثبيتها، قم بتشغيل الأمر التالي:

pip install ultralytics

إذا كنت تستخدم بيئة مستندة إلى دفاتر الملاحظات مثل Google Colab أو Jupyter Notebook، أضف علامة تعجب في بداية الأمر. إذا واجهت أي مشاكل في التثبيت، يمكنك الرجوع إلى وثائق Ultralytics أو دليل استكشاف الأخطاء وإصلاحها للحصول على إصلاحات شائعة ونصائح إعداد البيئة.

بعد التثبيت، ستكون جاهزاً لتحميل نموذج تقسيم YOLO26 مدرب مسبقاً وبدء التدريب.

Link to this sectionالخطوة 4: تدريب YOLO26 لتقسيم النماذج#

قبل بدء التدريب، ستحتاج إلى اختيار حجم النموذج. تتوفر نماذج YOLO26 بأحجام مختلفة: Nano (n)، وSmall (s)، وMedium (m)، وLarge (l)، وExtra Large (x).

تتدرب النماذج الأصغر بشكل أسرع وتعمل بكفاءة أكبر على وحدات المعالجة المركزية (CPUs) أو أجهزة الحافة، بينما توفر النماذج الأكبر عادةً دقة أعلى ولكنها تتطلب ذاكرة أكبر وتستفيد من تسريع GPU. إذا كنت قد بدأت للتو أو تعمل بأجهزة محدودة، فإن إصدار Nano (YOLO26n) هو خيار عملي.

بمجرد اختيار حجم النموذج، الخطوة التالية هي تحميل نموذج تقسيم مدرب مسبقاً والبدء في تدريبه على مجموعة بياناتك المخصصة. للقيام بذلك، ستحتاج إلى تحديد ملف النموذج المدرب مسبقاً، ومسار ملف YAML لمجموعة البيانات، وعدد الحقب (epochs)، 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 الحقب عدد المرات التي يمر فيها النموذج عبر مجموعة بيانات التدريب بأكملها. مع كل حقبة، يقوم النموذج بإجراء تنبؤات، ومقارنتها بالتعليقات التوضيحية الصحيحة، وحساب الأخطاء، وتحديث معلماته الداخلية لتحسين الأداء.

إذا بدأ التدريب بشكل صحيح، فسترى تكوين النموذج، ومسح مجموعة البيانات، وتقدم التدريب معروضاً في واجهة الأوامر أو دفتر الملاحظات الخاص بك. مع استمرار التدريب، سيتم تحديث قيم الخسارة ومقاييس التقييم بعد كل حقبة، مما يوضح مدى تحسن النموذج بمرور الوقت.

Link to this sectionالخطوة 5: تقييم أداء النموذج المدرب مخصصاً#

بعد اكتمال عملية التدريب، يمكنك مراجعة والتحقق من مقاييس أداء النموذج. في Google Colab، يمكنك الانتقال إلى مجلد "runs"، ثم إلى مجلد "segment"، وأخيراً إلى مجلد "train"، حيث ستجد سجلات تعرض مؤشرات الأداء الرئيسية.

بالنسبة للمستخدمين الذين يعملون في بيئة Python، يتم حفظ نتائج التدريب افتراضياً في دليل "runs/train/" داخل دليل العمل الحالي الخاص بك. تنشئ كل عملية تدريب مجلداً فرعياً جديداً، مثل runs/train/exp أو runs/train/exp2، حيث يمكنك العثور على السجلات، والأوزان المحفوظة، والمخرجات الأخرى المتعلقة بتلك التجربة.

إذا كنت تستخدم واجهة CLI، يمكنك الوصول إلى هذه النتائج وإدارتها باستخدام أمر "yolo settings". يسمح لك هذا الأمر بعرض أو تعديل المسارات والتكوينات المتعلقة بسجلات التدريب وتفاصيل التجربة.

من بين المخرجات المحفوظة، ستجد أيضاً رسوماً بيانية تم إنشاؤها أثناء التدريب. توضح هذه الرسوم البيانية كيف تحسن النموذج بمرور الوقت. على سبيل المثال، تعرض كيف انخفضت الخسارة مع تعلم النموذج وكيف زادت مقاييس التقييم مثل الدقة (precision)، والاستدعاء (recall)، ومتوسط الدقة (mean average precision) عبر الحقب.

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

يمكن لهذه الاتجاهات المرئية أن تساعدك على فهم ما إذا كان النموذج قد تدرب بنجاح ومقدار تحسنه من بداية التدريب إلى نهايته. تمنحك مراجعة المقاييس الرقمية والرسوم البيانية صورة أوضح عن مدى جودة أداء نموذج تقسيم النماذج الخاص بك قبل الانتقال إلى الاختبار باستخدام صور جديدة.

Link to this sectionالخطوة 6: اختبار نموذجك وتشغيل الاستدلالات#

بعد التحقق من نموذجك، الخطوة الأخيرة هي اختباره على صور جديدة. تسمى هذه العملية الاستدلال (inference)، والتي تعني ببساطة استخدام نموذجك المدرب لعمل تنبؤات على بيانات غير مرئية.

يمكنك تشغيل 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.

يخبر إعداد "save=True" النموذج بإنشاء وتخزين صورة جديدة تتضمن أقنعة التقسيم المتوقعة مرسومة فوق الصورة الأصلية.

يتحكم إعداد "conf=0.3" في عتبة الثقة، مما يعني أن النموذج سيعرض فقط التنبؤات التي يكون واثقاً بنسبة 30% على الأقل من صحتها. قد يؤدي تقليل هذه القيمة إلى إظهار المزيد من الكشف، بينما سيجعل زيادتها النموذج أكثر انتقائية.

بعد تشغيل الأمر، ينشئ النموذج مجلداً جديداً داخل دليل runs حيث يحفظ صورة المخرجات. يمكنك فتح تلك الصورة المحفوظة للتحقق بصرياً من مدى تتبع أقنعة التقسيم لحدود الكائنات وما إذا كانت الكائنات المتداخلة مفصولة بشكل صحيح.

يمكن أن يمنحك اختبار النموذج على صور وخلفيات وظروف إضاءة مختلفة فهماً أوضح لكيفية أدائه خارج مجموعة بيانات التدريب. بمجرد أن تبدو النتائج متسقة ودقيقة، يكون النموذج جاهزاً للتصدير والنشر.

Link to this sectionالخطوة 7: تصدير ونشر نموذجك#

بعد اختبار نموذجك والتأكد من أدائه الجيد، الخطوة الأخيرة هي تصديره ونشره. يقوم التصدير بتحويل نموذج YOLO26 المدرب الخاص بك إلى تنسيق يمكن تشغيله في بيئات مختلفة، مثل خوادم الإنتاج، أو أجهزة الحافة، أو تطبيقات الهاتف المحمول.

يدعم Ultralytics تنسيقات تصدير متعددة، مما يسمح لك باختيار التنسيق الذي يناسب إعداد النشر الخاص بك بشكل أفضل. على سبيل المثال، يمكنك التصدير إلى ONNX لتوافق واسع عبر المنصات، أو TensorRT لأداء GPU محسن على أجهزة NVIDIA، أو OpenVINO للنشر الفعال المعتمد على CPU على أجهزة Intel. تجعل هذه التكاملات من السهل تشغيل نموذجك خارج بيئة التدريب والحصول على أداء قوي في الوقت الفعلي.

يمكنك تصدير نموذجك في Python باستخدام الأمر التالي:

model.export(format="onnx")

يقوم هذا الأمر بتحويل نموذجك المدرب إلى تنسيق ONNX. يمكنك استبدال "onnx" بتنسيقات أخرى مدعومة حسب احتياجات النشر الخاصة بك.

بمجرد تصديره، يمكن دمج نموذجك في تطبيقات مثل خدمات الويب، وأنظمة الرؤية المدمجة، ومنصات الروبوتات، أو أنظمة الفحص الصناعي. في هذه المرحلة، يمكن لنموذج تقسيم النماذج YOLO26 المدرب مخصصاً الانتقال من التجريب إلى النشر في العالم الحقيقي.

Link to this sectionأبرز النقاط#

يمنحك التدريب المخصص لـ Ultralytics YOLO26 لتقسيم النماذج المرونة لبناء نموذج يناسب حالة استخدامك المحددة حقاً. من خلال تجهيز مجموعة بيانات واضحة، وإعداد ملف YAML الخاص بك، والتدريب باستخدام أوزان تقسيم مدربة مسبقاً، ومراجعة النتائج، يمكنك تعليم النموذج تحديد حدود كل كائن بدقة على مستوى البكسل. بمجرد اختباره وتصديره، يمكن لنموذج YOLO26 الخاص بك الانتقال من التطوير إلى تطبيقات العالم الحقيقي متعددة النطاقات.

انضم إلى مجتمعنا وألقِ نظرة على مستودع GitHub الخاص بنا لاكتشاف المزيد حول الذكاء الاصطناعي. إذا كنت تتطلع إلى بناء مشروع الرؤية بالذكاء الاصطناعي الخاص بك، تحقق من خيارات الترخيص لدينا. استكشف المزيد حول تطبيقات مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية بالذكاء الاصطناعي في البيع بالتجزئة من خلال زيارة صفحات الحلول الخاصة بنا.