كيفية تحسين mAP للنماذج على الأجسام الصغيرة: دليل سريع

مع استمرار نمو اعتماد الذكاء الاصطناعي (AI) والتعلم الآلي والرؤية الحاسوبية، تُستخدم أنظمة اكتشاف الكائنات في كل مكان، بدءاً من كاميرات المرور الذكية ووصولاً إلى الطائرات بدون طيار وأدوات تحليلات التجزئة. غالباً ما يُتوقع من هذه الأنظمة اكتشاف الكائنات بجميع أحجامها، وسواء كان ذلك شاحنة كبيرة قريبة من الكاميرا أو مشاة صغار جداً في الأفق البعيد.

عادةً ما يكون رصد الأجسام الكبيرة والواضحة أمراً مباشراً. وعلى النقيض من ذلك، فإن اكتشاف الأجسام الصغيرة يمثل تحدياً أكبر.

عندما يشغل جسم ما جزءاً ضئيلاً فقط من الصورة، تتوفر معلومات بصرية قليلة جداً للعمل بها. فقد يحتوي أحد المشاة البعيدين في بث مروري أو مركبة صغيرة ملتقطة من زاوية جوية على بضع بكسلات فقط، ومع ذلك يمكن لتلك البكسلات أن تحمل معلومات حيوية.

تعتمد نماذج الرؤية الحاسوبية مثل نماذج Ultralytics YOLO على الأنماط البصرية التعرف على الكائنات، وعندما تكون تلك الأنماط محدودة أو غير واضح، يتأثر الأداء سلباً. يمكن أن تفقد التفاصيل المهمة أثناء المعالجة، مما يجعل التنبؤات أكثر حساسية لأخطاء التحديد المكاني. حتى الانحراف البسيط في صندوق الإحاطة يمكن أن يحول الاكتشاف الصحيح إلى اكتشاف مفقود.

تصبح هذه الفجوة واضحة عندما ننظر إلى أداء النموذج. تتعامل معظم نماذج الكشف والتجزئة مع الأجسام المتوسطة والكبيرة بشكل جيد، لكن الأجسام الصغيرة غالباً ما تقلل من الدقة الإجمالية.

يُقاس أداء التعلم العميق عادةً باستخدام متوسط الدقة المتوسطة، أو mAP. يعكس هذا المقياس مدى دقة عمليات الاكتشاف ومدى توافق المربعات المتوقعة مع الكائنات الحقيقية.

وهو يجمع بين الدقة (precision)، التي توضح عدد الأجسام المتوقعة الصحيحة، والاستدعاء (recall)، الذي يوضح عدد الأجسام الفعلية التي تم اكتشافها بنجاح، عبر مستويات ثقة مختلفة وعتبات التقاطع فوق الاتحاد، أو IoU (مقياس يقيس مدى تداخل مربع الإحاطة المتوقع مع مربع الحقيقة الأرضية).

سابقاً، استكشفنا اكتشاف الكائنات الصغيرة ولماذا تُعد مشكلة صعبة للغاية لنماذج الرؤية الحاسوبية. في هذه المقالة، سنبني على هذا الأساس ونركز على كيفية تحسين mAP عند التعامل مع الكائنات الصغيرة. لنبدأ!

لماذا يصعب اكتشاف الأجسام الصغيرة؟#

فيما يتعلق بالتطبيقات التي تتضمن كواشف الأجسام، يتم تعريف الجسم الصغير بمقدار المساحة التي يشغلها في الصورة، وليس بالضرورة بمدى صغر حجمه للعين البشرية. إذا كان يشغل جزءاً ضئيلاً فقط من الصورة، فإنه يحتوي على معلومات بصرية قليلة جداً، مما يجعل من الصعب على خوارزمية الرؤية الحاسوبية اكتشافه بدقة.

الشكل 1. صور توضيحية تعبر عن كائنات صغيرة تحتل مناطق بكسل محدودة (المصدر)

مع وجود بكسلات أقل للعمل بها، يمكن أن تكون التفاصيل المهمة مثل الحواف والأشكال والقوام غير واضحة أو مفقودة بسهولة. أثناء معالجة الصورة بواسطة النموذج، يتم تغيير حجمها وتبسيطها لتسليط الضوء على الأنماط المفيدة.

في حين أن هذا يساعد النموذج على فهم المشهد العام، فإنه يمكن أيضاً أن يقلل من التفاصيل الدقيقة بشكل أكبر. بالنسبة للأجسام الصغيرة، غالباً ما تكون تلك التفاصيل ضرورية للاكتشاف الصحيح.

تصبح هذه التحديات أكثر وضوحاً عند النظر إلى مقاييس التقييم. الكائنات الصغيرة حساسة بشكل خاص لأخطاء التحديد المكاني. حتى صندوق الإحاطة غير المحاذي قليلاً يمكن أن يقع دون عتبة التقاطع على الاتحاد المطلوب، أو IoU.

عندما يحدث ذلك، قد يتم احتساب التوقع الذي يبدو معقولاً على أنه غير صحيح. وهذا يقلل من كل من الدقة والاستدعاء، مما يقلل في النهاية من متوسط دقة الدقة، أو mAP.

نظراً لأن هذه العوامل مترابطة بشكل وثيق، فإن تحسين الأداء غالباً ما يتطلب التفكير في النظام بأكمله. وهذا يعني موازنة دقة الصورة، واستخراج الميزات، وتصميم النموذج، وإعدادات التقييم بعناية بحيث يتم الحفاظ على التفاصيل البصرية الصغيرة وتفسيرها بشكل أفضل.

أهمية جودة مجموعة البيانات والتعليقات التوضيحية#

فيما يتعلق بكشف الأجسام الصغيرة، غالباً ما تُحدث جودة مجموعة البيانات الفارق الأكبر في الأداء. تشغل الأجسام الصغيرة جزءاً ضئيلاً فقط من الصورة، مما يعني وجود معلومات بصرية قليلة جداً متاحة للنموذج للتعلم منها. ولهذا السبب، تصبح بيانات التدريب مهمة بشكل خاص. إذا لم تتضمن مجموعة البيانات أمثلة كافية وواضحة وتمثيلية، فسيواجه نموذج كشف الأجسام صعوبة في التعرف على الأنماط المتسقة.

تحتوي مجموعات البيانات التي تعمل بشكل جيد لاكتشاف الكائنات الصغيرة عادةً على صور عالية الدقة، وظهور متكرر للأهداف الصغيرة، وظروف بصرية متسقة. على الرغم من أن مجموعات البيانات العامة مثل مجموعة بيانات COCO تعد نقاط بداية مفيدة، إلا أنها غالباً لا تتطابق مع نطاق أو كثافة أو سياق حالات الاستخدام الواقعية المحددة. في مثل هذه الحالات، يصبح جمع بيانات التدريب الخاصة بالمجال ضرورياً لتحسين أداء النموذج.

تلعب جودة التعليقات التوضيحية دوراً حاسماً أيضاً. تُنشئ التعليقات التوضيحية الحقيقة الأساسية عن طريق تحديد تسميات الكائنات الصحيحة ومواقع صندوق الإحاطة التي يتعلم النموذج التنبؤ بها.

بالنسبة للأجسام الصغيرة، يجب رسم مربعات الإحاطة بعناية واتساق. حتى الاختلافات الطفيفة في وضع المربع يمكن أن تؤثر بشكل ملحوظ على دقة التوطين لأن الأجسام الصغيرة حساسة للغاية للتحولات على مستوى البكسل.

يمكن للتعليقات التوضيحية الضعيفة أو غير المتسقة أن تقلل بشكل كبير من mAP. إذا تم تصنيف الأجسام بشكل خاطئ، يتعلم النموذج أنماطاً غير صحيحة، مما قد يزيد من الإيجابيات الكاذبة.

إذا ظهرت أجسام في الصورة ولكنها مفقودة من الحقيقة الأرضية، فقد يتم احتساب الاكتشافات الصحيحة كإيجابيات كاذبة أثناء التقييم. كلاهما يقلل من الأداء العام.

ومن المثير للاهتمام أن الأبحاث الحديثة تشير إلى أن متوسط الدقة للكائنات الصغيرة يظل غالباً بين 20% و40% على المعايير القياسية، وهو أدنى بكثير مقارنة بالكائنات الأكبر. تسلط هذه الفجوة الضوء على أهمية تصميم مجموعة البيانات واتساق التعليقات التوضيحية في دقة الاكتشاف الإجمالية.

يمكن أن يلعب تعزيز البيانات دوراً رئيسياً في تحسين الدقة#

مع فهم أفضل لأهمية جودة مجموعة البيانات واتساق التعليقات التوضيحية، دعنا نستعرض كيف يمكن لنموذج كشف الأجسام أن يتعلم بشكل أكثر فعالية من البيانات الموجودة. حتى عندما يكون جمع صور إضافية أمراً صعباً أو مكلفاً، لا تزال هناك طرق لتحسين الأداء من خلال الاستفادة بشكل أفضل من البيانات المتاحة بالفعل.

تُعد زيادة البيانات إحدى أكثر المقاروات العملية. ولها دور مهم بشكل خاص في اكتشاف الكائنات الصغيرة نظراً لأن الكائنات الصغيرة توفر إشارات بصرية أقل ليتعلم منها النموذج. من خلال إدخال اختلافات خاضعة للتحكم أثناء التدريب، تساعد زيادة البيانات النموذج على التعميم بشكل أفضل دون الحاجة إلى جمع بيانات جديدة.

يركز تعزيز البيانات الفعال على إبقاء الأجسام الصغيرة واضحة للعيان. يمكن لتقنيات مثل تغيير الحجم المحكوم، والقص الخفيف، وتجانب الصور (image tiling) أن تجعل الأجسام الصغيرة تبرز أكثر مع الحفاظ على شكلها ومظهرها. الهدف هو مساعدة النموذج على رؤية الأجسام الصغيرة بشكل متكرر وفي ظروف مختلفة قليلاً، دون تغيير مظهرها في المواقف الحقيقية.

ومع ذلك، يجب تطبيق التعزيز بعناية. يمكن لبعض التحويلات أن تقلل من رؤية الأجسام الصغيرة أو تغير مظهرها بطرق من غير المرجح أن تحدث في البيانات الحقيقية. عندما يحدث هذا، قد يواجه النموذج صعوبة في تعلم حدود الأجسام الدقيقة.

تعزيز بيانات أكثر ذكاءً باستخدام الذكاء الاصطناعي التوليدي#

نوع آخر مثير للاهتمام من تعزيز البيانات الذي يزداد شعبية هو استخدام الذكاء الاصطناعي التوليدي لإنشاء بيانات تدريب اصطناعية. بدلاً من الاعتماد على الصور التي يتم جمعها وتسميتها يدوياً، يمكن للفرق الآن إنشاء مشاهد واقعية تحاكي بيئات وأحجام أجسام وظروف إضاءة وتغييرات خلفية محددة.

الشكل 2. نظرة على الصور الجوية الاصطناعية المستخدمة لزيادة البيانات (المصدر)

هذا النهج مفيد بشكل خاص لكشف الأجسام الصغيرة، حيث قد يكون من الصعب التقاط أمثلة واقعية بشكل متسق. من خلال التحكم في كيفية ظهور الأجسام الصغيرة في الصور الاصطناعية، مثل ضبط المقياس والكثافة والموضع، من الممكن تعريض النماذج لنطاق أوسع من سيناريوهات التدريب.

عند دمجها بعناية مع البيانات الحقيقية، يمكن للتعزيز الاصطناعي تحسين قوة النموذج، وتقليل تكاليف جمع البيانات، ودعم تحسينات الأداء الأكثر استهدافاً.

خيارات تدريب النموذج التي يمكن أن تؤثر على mAP للأجسام الصغيرة#

بخلاف جودة مجموعة البيانات واتساق التعليقات التوضيحية، تؤثر خيارات تدريب النموذج أيضاً بقوة على أداء كشف الأجسام الصغيرة.

إليك بعض استراتيجيات التدريب الرئيسية التي يجب مراعاتها:

• ابدأ بالنماذج المدربة مسبقاً: لقد تعلم نموذج مدرب مسبقاً، مثل Ultralytics YOLO26، الأنماط البصرية العامة بالفعل من مجموعات بيانات الصور الكبيرة. يوفر هذا نقطة بداية قوية بدلاً من التدريب من الصفر، وهو أمر مفيد بشكل خاص عند اكتشاف الكائنات الصغيرة ببيانات محدودة.
• استخدم تعلم النقل بشكل استراتيجي: يعني تعلم النقل تكييف نموذج مدرب مسبقاً مع مجموعة بياناتك الخاصة. يساعد النموذج على التركيز على أجسامك الصغيرة مع تقليل التجهيز الزائد (overfitting) (حفظ بيانات التدريب بدلاً من تعلم أنماط عامة).
• عالج عدم توازن الفئات: إذا ظهرت الأجسام الصغيرة بشكل أقل تكراراً من الأكبر حجماً، فقد يعطي النموذج الأولوية لتعلم الأجسام الأكبر. تساعد تقنيات مثل ترجيح الفئات أو استراتيجيات أخذ العينات في ضمان عدم تجاهل الأجسام الصغيرة.
• اضبط عتبات الثقة وIoU: الأجسام الصغيرة حساسة لأخطاء التوطين الصغيرة. يساعد ضبط هذه العتبات بدقة في تقييم وتفسير أداء الأجسام الصغيرة بشكل أفضل أثناء التحقق والاستدلال.

اعتبارات بنية النموذج لكشف الأجسام الصغيرة#

بينما يمكنك استخدام نموذج اكتشاف كائنات عام لمهام الكائنات الصغيرة، توجد أيضاً هياكل نماذج مصممة خصيصاً لتحسين اكتشاف الكائنات الصغيرة. على سبيل المثال، توجد متغيرات نموذج P2 لنموذج Ultralytics YOLOv8 والمحسنة للحفاظ على التفاصيل المكانية الدقيقة.

يقوم Ultralytics YOLOv8 بمعالجة الصور بأقياس متعددة عن طريق تصغيرها تدريجياً كلما تعمقت داخل الشبكة. يساعد هذا النموذج على فهم المشهد العام، ولكنه يقلل أيضاً من التفاصيل الدقيقة.

عندما يكون الجسم صغيراً جداً بالفعل، يمكن أن تختفي معلومات بصرية مهمة أثناء هذه العملية. يعالج متغير P2 من Ultralytics YOLOv8 هذا من خلال استخدام خطوة (stride) مقدارها 2 في هرم الميزات الخاص به.

هرم الميزات هو جزء النموذج الذي يحلل الصورة بدقة داخلية متعددة حتى يتمكن من اكتشاف الأجسام بأحجام مختلفة. مع خطوة مقدارها 2، يتم تقليل الصورة بشكل أكثر تدريجياً في هذه المرحلة، مما يسمح بالحفاظ على المزيد من تفاصيل مستوى البكسل الأصلية.

نظراً للحفاظ على مزيد من التفاصيل المكانية، تحتفظ الأجسام الصغيرة بمزيد من الهيكل المرئي داخل الشبكة. هذا يجعل من الأسهل على النموذج تحديد واكتشاف الأجسام التي لا تشغل سوى بضع بكسلات، مما يمكن أن يساعد في تحسين mAP للأجسام الصغيرة.

التقييم المدرك للحجم لكشف الأجسام الصغيرة#

بينما يلخص متوسط دقة الدقة أداء النموذج العام، فإنه لا يظهر دائماً مدى تعامل النموذج بشكل جيد مع الأجسام ذات الأحجام المختلفة. بالنسبة للأجسام الصغيرة، غالباً ما يكون الأداء مقيداً بدقة التوطين بدلاً من التصنيف وحده، مما يعني أن تحولات مربع الإحاطة الطفيفة يمكن أن تؤثر بشكل كبير على النتائج.

بمعنى آخر، قد يتعرف النموذج بشكل صحيح على فئة الجسم، ولكن إذا كان مربع الإحاطة المتوقع غير محاذى قليلاً، فقد يظل الاكتشاف غير صحيح. نظراً لأن الأجسام الصغيرة تغطي عدداً قليلاً فقط من البكسلات، فإن حتى تحولاً طفيفاً في وضع المربع يمكن أن يقلل بشكل كبير من التداخل بين المربع المتوقع والحقيقة الأرضية. ونتيجة لذلك، يمكن أن تنخفض درجات التقييم حتى عندما تم تحديد الجسم بشكل صحيح.

الشكل 3. قد يكون تقييم اكتشاف الكائنات الصغيرة معقداً (المصدر)

نهج أكثر إفادة هو تقييم الأداء حسب حجم الجسم. تُبلغ معظم المعايير المستخدمة على نطاق واسع عن متوسط الدقة بشكل منفصل للأجسام الصغيرة والمتوسطة والكبيرة.

يوفر هذا التفصيل الخاص بالحجم رؤية أكثر وضوحاً للمكان الذي يؤدي فيه النموذج بشكل جيد والمكان الذي يواجه فيه صعوبات. من الناحية العملية، غالباً ما يتأخر AP للكائنات الصغيرة خلف متوسط mAP الإجمالي، مما يسلط الضوء على تحديات التحديد المكاني التي قد لا تكون واضحة في المقاييس المجمعة.

ضع في اعتبارك قيود النشر والمقايضات الواقعية#

غالباً ما يتغير أداء النموذج عند الانتقال من بيئات الاختبار الخاضعة للرقابة إلى النشر الواقعي. تقدم عوامل مثل دقة الصورة وسرعة المعالجة والأجهزة المتاحة مقايضات تؤثر بشكل مباشر على كشف الأجسام الصغيرة.

على سبيل المثال، يمكن أن تؤدي زيادة دقة المدخلات إلى تحسين mAP للأجسام الصغيرة لأن الأهداف الصغيرة تشغل بكسلات أكثر وتحتفظ بمزيد من التفاصيل. ومع ذلك، تؤدي الدقة العالية أيضاً إلى زيادة استخدام الذاكرة ووقت المعالجة. يمكن أن يؤدي هذا إلى إبطاء الاستدلال وزيادة تكاليف التشغيل.

الشكل 4. تحديات نشر كشف الأجسام الصغيرة. الصورة من قبل المؤلف.

تلعب خيارات الأجهزة دوراً رئيسياً في إدارة هذه المقايضات. تسمح وحدات GPU الأكثر قوة بنماذج أكبر ومعالجة أسرع، لكن بيئات النشر، وخاصة أجهزة الحافة، غالباً ما تكون ذات موارد حوسبة وذاكرة محدودة.

تضيف التطبيقات في الوقت الفعلي قيداً آخر: قد يتطلب الحفاظ على زمن انتقال منخفض تقليل حجم النموذج أو دقة المدخلات، مما قد يؤثر سلباً على استدعاء الأجسام الصغيرة. في النهاية، تتطلب قرارات النشر موازنة أداء الكشف مع قيود الأجهزة ومتطلبات السرعة والتكلفة الإجمالية.

خلاصة القول: تحسين mAP للنموذج على الأجسام الصغيرة#

يتطلب تحسين كشف الأجسام الصغيرة نهجاً عملياً ومنظماً، خاصة عند العمل في بيئات واقعية. إليك نظرة عامة على الخطوات الرئيسية التي يجب وضعها في الاعتبار:

• راجع جودة مجموعة البيانات الخاصة بك: تأكد من أن مجموعة البيانات الخاصة بك تتضمن أمثلة كافية للأجسام الصغيرة، وتستخدم صوراً عالية الدقة قدر الإمكان، وتعكس الظروف التي سيتم فيها نشر النموذج.
• تحقق من اتساق التعليقات التوضيحية: تأكد من أن مربعات الإحاطة دقيقة وكاملة ومصنفة بشكل متسق. يمكن للتعليقات التوضيحية غير المتسقة أن تحد بشكل مباشر من أداء التوطين.
• اضبط إعدادات التدريب عمداً: اضبط حجم الدفعة، وعدد الحقب (epochs)، وإعدادات التحسين بعناية حتى يتم تمثيل الأجسام الصغيرة بشكل صحيح أثناء التدريب.
• كرر خطوة بخطوة: قم بإجراء تعديلات محكومة، وقم بقياس تأثيرها، وقم بتحسين نهجك. يؤدي التكرار المستمر القائم على البيانات إلى تحسن مستمر بمرور الوقت.

أبرز النقاط#

يتطلب تحسين mAP للأجسام الصغيرة نهجاً منظماً قائماً على البيانات بدلاً من التعديلات العشوائية. تأتي التحسينات الحقيقية من الجمع بين البيانات الجيدة، والتعليقات التوضيحية المتسقة، والتدريب الدقيق، وطرق التقييم الصحيحة. في المشاريع الواقعية، الاختبار المستمر والتغييرات الصغيرة القابلة للقياس هي ما يؤدي إلى كشف أفضل وأكثر موثوقية للأجسام الصغيرة بمرور الوقت.

انضم إلى community النامي الخاص بنا واستكشف مستودع GitHub repository الخاص بنا للحصول على موارد الذكاء الاصطناعي العملية. للبناء باستخدام رؤية الذكاء الاصطناعي اليوم، استكشف خيارات licensing options لدينا. تعرف على كيف يُحدث مجال AI in agriculture تحولاً في الزراعة وكيف تشكل vision AI in robotics المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.