كيفية تحسين mAP للنموذج على الأجسام الصغيرة: دليل سريع

مع استمرار انتشار الذكاء الاصطناعي (AI) والتعلم الآلي والرؤية الحاسوبية، تُستخدم أنظمة كشف الأجسام في كل مكان، من كاميرات المرور الذكية إلى الطائرات المسيّرة وأدوات تحليلات البيع بالتجزئة. وغالبًا ما يُتوقع من هذه الأنظمة اكتشاف الأجسام بمختلف أحجامها، سواء أكانت شاحنة كبيرة قريبة من الكاميرا أم أحد المشاة صغيرًا في مكان بعيد.

عادةً ما يكون رصد الأجسام الكبيرة والواضحة أسهل. أما اكتشاف الأجسام الصغيرة فهو أكثر صعوبة.

عندما لا يشغل جسم ما سوى جزء ضئيل جدًا من الصورة، تكون المعلومات المرئية المتاحة محدودة للغاية. فقد لا يتجاوز عدد وحدات البكسل التي تمثل أحد المشاة البعيدين في بث مروري أو مركبة صغيرة صُوّرت من الجو بضع وحدات، ومع ذلك قد تحمل هذه الوحدات معلومات بالغة الأهمية.

تعتمد نماذج الرؤية الحاسوبية، مثل نماذج Ultralytics YOLO، على الأنماط المرئية للتعرّف على الأجسام، وعندما تكون هذه الأنماط محدودة أو غير واضحة، يتراجع الأداء. وقد تُفقد تفاصيل مهمة أثناء المعالجة، ما يجعل التنبؤات أكثر تأثرًا بأخطاء تحديد الموقع. ويمكن حتى لانزياح طفيف في صندوق الإحاطة أن يحوّل الكشف الصحيح إلى حالة إخفاق في الكشف.

تتضح هذه الفجوة عند النظر إلى أداء النماذج. تتعامل معظم نماذج الكشف والتجزئة جيدًا مع الأجسام المتوسطة والكبيرة، لكن الأجسام الصغيرة غالبًا ما تخفض الدقة الإجمالية.

يُقاس أداء التعلم العميق عادةً باستخدام متوسط الدقة المتوسطة، أو mAP. ويعكس هذا المقياس دقة عمليات الكشف ومدى تطابق الصناديق المتوقعة مع الأجسام الحقيقية.

يجمع هذا المقياس بين الإحكام، الذي يوضح عدد الأجسام المتوقعة الصحيحة، والاستدعاء، الذي يوضح عدد الأجسام الفعلية التي جرى كشفها بنجاح، وذلك عبر مستويات ثقة مختلفة وعتبات التقاطع على الاتحاد، أو IoU (وهو مقياس يحدد مقدار تداخل صندوق الإحاطة المتوقع مع صندوق الإحاطة للحقيقة الأرضية).

سبق أن تناولنا كشف الأجسام الصغيرة وسبب كونه مشكلة صعبة للغاية لنماذج الرؤية الحاسوبية. سنبني في هذا المقال على تلك الأسس ونركز على كيفية تحسين mAP عند وجود أجسام صغيرة. لنبدأ!

لماذا يصعب كشف الأجسام الصغيرة؟#

في تطبيقات كواشف الأجسام، يُحدَّد الجسم الصغير بمقدار المساحة التي يشغلها في الصورة، وليس بالضرورة بمدى صغره في نظر الإنسان. فإذا لم يشغل سوى جزء ضئيل جدًا من الصورة، احتوى على قدر ضئيل للغاية من المعلومات المرئية، ما يصعّب على خوارزمية الرؤية الحاسوبية كشفه بدقة.

الشكل 1. صور توضيحية لأجسام صغيرة تشغل مساحات محدودة من وحدات البكسل (المصدر)

عندما تكون وحدات البكسل المتاحة أقل، قد تصبح التفاصيل المهمة مثل الحواف والأشكال والأنسجة غير واضحة أو تُفقد بسهولة. وأثناء معالجة النموذج للصورة، تُعاد تحجيمها وتبسيطها لإبراز الأنماط المفيدة.

يساعد ذلك النموذج على فهم المشهد عمومًا، لكنه قد يقلل التفاصيل الدقيقة أكثر. وغالبًا ما تكون هذه التفاصيل ضرورية للكشف الصحيح عن الأجسام الصغيرة.

تزداد هذه التحديات وضوحًا عند النظر إلى مقاييس التقييم. فالأجسام الصغيرة شديدة التأثر بأخطاء تحديد الموقع. وقد يقع صندوق إحاطة غير محاذٍ إلا قليلًا دون عتبة التقاطع على الاتحاد، أو IoU، المطلوبة.

عند حدوث ذلك، قد يُحتسب التنبؤ الذي يبدو معقولًا على أنه غير صحيح. وهذا يخفض كلًا من الإحكام والاستدعاء، ما يقلل في النهاية متوسط الدقة المتوسطة، أو mAP.

لأن هذه العوامل مترابطة ارتباطًا وثيقًا، يتطلب تحسين الأداء غالبًا التفكير في النظام بأكمله. وهذا يعني تحقيق توازن مدروس بين دقة الصورة واستخراج السمات وتصميم النموذج وإعدادات التقييم، للحفاظ على التفاصيل المرئية الصغيرة وتفسيرها على نحو أفضل.

أهمية جودة مجموعة البيانات والتعليقات التوضيحية#

في كشف الأجسام الصغيرة، غالبًا ما يكون لجودة مجموعة البيانات أكبر أثر في الأداء. فالأجسام الصغيرة لا تشغل سوى جزء ضئيل جدًا من الصورة، ما يعني أن المعلومات المرئية المتاحة كي يتعلم منها النموذج قليلة للغاية. لذلك تكتسب بيانات التدريب أهمية خاصة. وإذا لم تتضمن مجموعة البيانات أمثلة واضحة ومتنوعة بما يكفي، فسيواجه نموذج كشف الأجسام صعوبة في التعرف على الأنماط المتسقة.

تتضمن مجموعات البيانات المناسبة لكشف الأجسام الصغيرة عادةً صورًا عالية الدقة، وظهورًا متكررًا للأهداف الصغيرة، وظروفًا مرئية متسقة. وعلى الرغم من أن مجموعات البيانات العامة، مثل مجموعة بيانات COCO، تمثل نقطة انطلاق مفيدة، فإنها غالبًا لا تطابق مقياس حالات الاستخدام الواقعية المحددة أو كثافتها أو سياقها. وفي هذه الحالات، يصبح جمع بيانات تدريب خاصة بالمجال ضروريًا لتحسين أداء النموذج.

تؤدي جودة التعليقات التوضيحية دورًا حاسمًا أيضًا. إذ تحدد التعليقات التوضيحية الحقيقة الأرضية من خلال تعيين تسميات الأجسام الصحيحة ومواقع صناديق الإحاطة التي يتعلم النموذج التنبؤ بها.

بالنسبة إلى الأجسام الصغيرة، يجب رسم صناديق الإحاطة بعناية واتساق. فحتى الاختلافات الطفيفة في موضع الصندوق قد تؤثر بوضوح في دقة تحديد الموقع، لأن الأجسام الصغيرة شديدة التأثر بالانزياحات على مستوى وحدات البكسل.

يمكن أن تؤدي التعليقات التوضيحية الرديئة أو غير المتسقة إلى انخفاض كبير في mAP. فإذا وُضعت تسميات خاطئة للأجسام، يتعلم النموذج أنماطًا غير صحيحة، ما قد يزيد الإيجابيات الكاذبة.

إذا ظهرت أجسام في الصورة لكنها غابت عن الحقيقة الأرضية، فقد تُحتسب عمليات الكشف الصحيحة على أنها إيجابيات كاذبة أثناء التقييم. ويؤدي كلا الوضعين إلى خفض الأداء الإجمالي.

ومن اللافت أن الأبحاث الحديثة تشير إلى أن متوسط الإحكام للأجسام الصغيرة يظل غالبًا بين 20% و40% في المعايير القياسية، وهي نسبة أقل بكثير مما هي عليه للأجسام الأكبر. وتبرز هذه الفجوة أهمية تصميم مجموعة البيانات واتساق التعليقات التوضيحية في دقة الكشف الإجمالية.

يمكن لزيادة البيانات أن تؤدي دورًا رئيسيًا في تحسين الدقة#

بعد فهم أهمية جودة مجموعة البيانات واتساق التعليقات التوضيحية، لنستعرض كيف يمكن لنموذج كشف الأجسام أن يتعلم بفاعلية أكبر من البيانات المتاحة. حتى عندما يكون جمع صور إضافية صعبًا أو مكلفًا، لا تزال هناك طرق لتحسين الأداء من خلال الاستفادة بصورة أفضل من البيانات المتوفرة.

من أكثر الأساليب العملية زيادة البيانات. وتكتسب زيادة البيانات أهمية خاصة في كشف الأجسام الصغيرة، لأن الأجسام الصغيرة توفر إشارات مرئية أقل ليتعلم منها النموذج. ومن خلال إدخال تغييرات مضبوطة أثناء التدريب، تساعد زيادة البيانات النموذج على التعميم بصورة أفضل دون الحاجة إلى جمع بيانات جديدة.

تركز زيادة البيانات الفعالة على إبقاء الأجسام الصغيرة واضحة. ويمكن لتقنيات مثل تغيير الحجم بصورة مضبوطة والقص الخفيف وتقسيم الصور إلى مربعات أن تجعل الأجسام الصغيرة أكثر بروزًا مع الحفاظ على شكلها ومظهرها. والهدف هو مساعدة النموذج على رؤية الأجسام الصغيرة بمعدل أكبر وفي ظروف مختلفة قليلًا، دون تغيير مظهرها في الحالات الواقعية.

لكن ينبغي تطبيق زيادة البيانات بعناية. فقد تقلل بعض التحويلات من وضوح الأجسام الصغيرة أو تغير مظهرها بطرق لا يُرجح حدوثها في البيانات الواقعية. وعندئذ قد يواجه النموذج صعوبة في تعلم حدود الأجسام بدقة.

زيادة بيانات أكثر ذكاءً باستخدام الذكاء الاصطناعي التوليدي#

من الأساليب الأخرى المثيرة للاهتمام في زيادة البيانات، والتي تزداد شيوعًا، استخدام الذكاء الاصطناعي التوليدي لإنشاء بيانات تدريب اصطناعية. فبدلًا من الاعتماد على الصور التي جُمعت ووُسِمت يدويًا، تستطيع الفرق الآن إنشاء مشاهد واقعية تحاكي بيئات وأحجام أجسام وظروف إضاءة وتنوعات في الخلفية محددة.

الشكل 2. نظرة على صور جوية اصطناعية مستخدمة لزيادة البيانات (المصدر)

يفيد هذا النهج بوجه خاص في كشف الأجسام الصغيرة، حيث قد يصعب التقاط أمثلة واقعية بانتظام. ومن خلال التحكم في كيفية ظهور الأجسام الصغيرة في الصور الاصطناعية، مثل ضبط المقياس والكثافة والموضع، يمكن تعريض النماذج لمجموعة أوسع من سيناريوهات التدريب.

عند دمج زيادة البيانات الاصطناعية بعناية مع البيانات الواقعية، يمكنها تحسين متانة النموذج وخفض تكاليف جمع البيانات ودعم تحسينات أكثر استهدافًا للأداء.

خيارات تدريب النموذج التي قد تؤثر في mAP للأجسام الصغيرة#

إلى جانب جودة مجموعة البيانات واتساق التعليقات التوضيحية، تؤثر خيارات تدريب النموذج بقوة في أداء كشف الأجسام الصغيرة.

فيما يلي بعض استراتيجيات التدريب الرئيسية التي ينبغي أخذها في الحسبان:

• ابدأ بنماذج مدرّبة مسبقًا: تعلّم النموذج المدرّب مسبقًا، مثل Ultralytics YOLO26، أنماطًا مرئية عامة من مجموعات بيانات صور كبيرة. وهذا يوفر نقطة انطلاق قوية بدلًا من التدريب من الصفر، وهو مفيد بوجه خاص عند كشف أجسام صغيرة ببيانات محدودة.
• استخدم نقل التعلم بصورة استراتيجية: يعني نقل التعلم تكييف نموذج مدرّب مسبقًا ليلائم مجموعة بياناتك المحددة. ويساعد النموذج على التركيز على الأجسام الصغيرة مع الحد من فرط التكيّف (أي حفظ بيانات التدريب بدلًا من تعلم الأنماط العامة).
• عالج اختلال توازن الفئات: إذا كان ظهور الأجسام الصغيرة أقل تكرارًا من الأجسام الأكبر، فقد يعطي النموذج الأولوية لتعلم الأجسام الأكبر. وتساعد تقنيات مثل ترجيح الفئات أو استراتيجيات أخذ العينات على ضمان عدم تجاهل الأجسام الصغيرة.
• اضبط عتبتي الثقة وIoU: تتأثر الأجسام الصغيرة بأخطاء تحديد الموقع الطفيفة. ويساعد الضبط الدقيق لهاتين العتبتين على تقييم أداء الأجسام الصغيرة وتفسيره بصورة أفضل أثناء التحقق والاستدلال.

اعتبارات بنية النموذج لكشف الأجسام الصغيرة#

يمكنك استخدام نموذج عام لكشف الأجسام في مهام كشف الأجسام الصغيرة، لكن توجد أيضًا بنيات نماذج مصممة خصيصًا لتحسين هذا النوع من الكشف. فعلى سبيل المثال، توجد متغيرات P2 من نموذج Ultralytics YOLOv8 مُحسّنة للحفاظ على التفاصيل المكانية الدقيقة.

يعالج Ultralytics YOLOv8 الصور بمقاييس متعددة، إذ يصغّرها تدريجيًا كلما تعمّق مرورها في الشبكة. ويساعد ذلك النموذج على فهم المشهد عمومًا، لكنه يقلل أيضًا التفاصيل الدقيقة.

عندما يكون الجسم صغيرًا جدًا أصلًا، قد تختفي معلومات مرئية مهمة أثناء هذه العملية. ويعالج متغير P2 من Ultralytics YOLOv8 هذه المشكلة باستخدام خطوة مقدارها 2 في هرم السمات.

هرم السمات هو الجزء من النموذج الذي يحلل الصورة بدقات داخلية متعددة ليتمكن من كشف أجسام بأحجام مختلفة. وباستخدام خطوة مقدارها 2، يُصغَّر حجم الصورة تدريجيًا أكثر في هذه المرحلة، ما يسمح بالحفاظ على قدر أكبر من التفاصيل الأصلية على مستوى وحدات البكسل.

بفضل الحفاظ على تفاصيل مكانية أكثر، تحتفظ الأجسام الصغيرة ببنية مرئية أكبر داخل الشبكة. وهذا يسهل على النموذج تحديد مواقع الأجسام التي لا تشغل سوى بضع وحدات بكسل وكشفها، ما قد يساعد على تحسين mAP للأجسام الصغيرة.

التقييم المراعي للحجم لكشف الأجسام الصغيرة#

على الرغم من أن متوسط الدقة المتوسطة يلخص أداء النموذج الإجمالي، فإنه لا يوضح دائمًا مدى جودة تعامل النموذج مع الأجسام ذات الأحجام المختلفة. وغالبًا ما يقيّد دقة تحديد الموقع أداء الأجسام الصغيرة أكثر من التصنيف وحده، ما يعني أن الانزياحات الطفيفة في صناديق الإحاطة قد تؤثر كثيرًا في النتائج.

بعبارة أخرى، قد يتعرف النموذج على فئة الجسم بصورة صحيحة، لكن إذا لم يكن صندوق الإحاطة المتوقع محاذيًا تمامًا، فقد يُعد الكشف غير صحيح. ولأن الأجسام الصغيرة لا تغطي سوى عدد قليل من وحدات البكسل، فإن حتى الانزياح الطفيف في موضع الصندوق قد يقلل التداخل بين الصندوق المتوقع والحقيقة الأرضية بدرجة كبيرة. ونتيجة لذلك، قد تنخفض درجات التقييم حتى عندما يكون التعرف على الجسم صحيحًا.

الشكل 3. قد يكون تقييم كشف الأجسام الصغيرة صعبًا (المصدر)

من الأساليب الأكثر إفادة تقييم الأداء بحسب حجم الجسم. إذ تعرض معظم المعايير المستخدمة على نطاق واسع متوسط الإحكام منفصلًا للأجسام الصغيرة والمتوسطة والكبيرة.

يوفر هذا التفصيل بحسب الحجم صورة أوضح لمواضع أداء النموذج الجيد ومواضع مواجهته للصعوبات. عمليًا، غالبًا ما يتأخر AP للأجسام الصغيرة عن mAP الإجمالي، ما يسلط الضوء على تحديات تحديد الموقع التي قد لا تظهر في المقاييس المجمّعة.

مراعاة قيود النشر والمفاضلات في العالم الواقعي#

غالبًا ما يتغير أداء النموذج عند الانتقال من بيئات الاختبار المضبوطة إلى النشر في العالم الواقعي. وتؤدي عوامل مثل دقة الصورة وسرعة المعالجة والأجهزة المتاحة إلى مفاضلات تؤثر مباشرةً في كشف الأجسام الصغيرة.

على سبيل المثال، قد تؤدي زيادة دقة الإدخال إلى تحسين mAP للأجسام الصغيرة، لأن الأهداف الصغيرة تشغل عددًا أكبر من وحدات البكسل وتحتفظ بمزيد من التفاصيل. لكن الدقة الأعلى تزيد أيضًا استخدام الذاكرة ووقت المعالجة. وقد يؤدي ذلك إلى إبطاء الاستدلال ورفع التكاليف التشغيلية.

الشكل 4. تحديات نشر أنظمة كشف الأجسام الصغيرة. الصورة من إعداد المؤلف.

تؤدي خيارات الأجهزة دورًا رئيسيًا في إدارة هذه المفاضلات. إذ تتيح وحدات GPU الأقوى استخدام نماذج أكبر ومعالجة أسرع، لكن بيئات النشر، ولا سيما الأجهزة الطرفية، غالبًا ما تكون محدودة الموارد الحسابية والذاكرة.

تضيف التطبيقات الآنية قيدًا آخر: فقد يتطلب الحفاظ على زمن استجابة منخفض تقليل حجم النموذج أو دقة الإدخال، ما قد يؤثر سلبًا في استدعاء الأجسام الصغيرة. وفي نهاية المطاف، تتطلب قرارات النشر موازنة أداء الكشف مع قيود الأجهزة ومتطلبات السرعة والتكلفة الإجمالية.

الخلاصة: تحسين mAP للنموذج عند التعامل مع الأجسام الصغيرة#

يتطلب تحسين كشف الأجسام الصغيرة نهجًا عمليًا ومنظمًا، لا سيما عند العمل في بيئات واقعية. فيما يلي نظرة عامة على الخطوات الرئيسية التي ينبغي مراعاتها:

• راجع جودة مجموعة البيانات: تأكد من أن مجموعة البيانات تتضمن أمثلة كافية للأجسام الصغيرة، وأنها تستخدم صورًا عالية الدقة متى أمكن، وتعكس الظروف التي سيُنشر فيها النموذج.
• تحقق من اتساق التعليقات التوضيحية: تأكد من دقة صناديق الإحاطة واكتمالها واتساق تسمياتها. فقد تحد التعليقات التوضيحية غير المتسقة مباشرةً من أداء تحديد الموقع.
• اضبط إعدادات التدريب عن قصد: عدّل حجم الدفعة وعدد الحقب وإعدادات التحسين بعناية، لضمان تمثيل الأجسام الصغيرة كما ينبغي أثناء التدريب.
• كرّر العمل خطوة بخطوة: أدخل تعديلات مضبوطة، وقِس أثرها، وحسّن نهجك. ويؤدي التكرار المنتظم المستند إلى البيانات إلى تحسن متسق بمرور الوقت.

أبرز النقاط#

يتطلب تحسين mAP للأجسام الصغيرة نهجًا منظمًا مستندًا إلى البيانات، لا تعديلات عشوائية. وتأتي التحسينات الفعلية من الجمع بين البيانات الجيدة والتعليقات التوضيحية المتسقة والتدريب المدروس وأساليب التقييم المناسبة. وفي المشروعات الواقعية، يؤدي الاختبار المنتظم وإجراء تغييرات صغيرة قابلة للقياس إلى كشف أفضل وأكثر موثوقية للأجسام الصغيرة بمرور الوقت.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub للاطلاع على موارد عملية في الذكاء الاصطناعي. وللبناء باستخدام ذكاء الرؤية اليوم، استكشف خيارات الترخيص. تعرّف على كيفية إحداث الذكاء الاصطناعي في الزراعة تحولًا في الزراعة، وكيف يشكّل ذكاء الرؤية في الروبوتات المستقبل، وذلك بزيارة صفحات الحلول لدينا.