متوسط الدقة (mAP) في اكتشاف الكائنات

يتزايد اعتماد الذكاء الاصطناعي بسرعة، ويجري دمج الذكاء الاصطناعي في ابتكارات متنوعة، بدءًا من السيارات ذاتية القيادة ووصولًا إلى أنظمة البيع بالتجزئة التي يمكنها تحديد المنتجات على الرفوف. وتعتمد هذه التقنيات على الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI) يتيح للآلات تحليل البيانات المرئية.

من مقاييس التقييم الرئيسية المستخدمة لقياس دقة أنظمة وخوارزميات الرؤية الحاسوبية متوسط الدقة (mAP). ويوضح مقياس mAP مدى تطابق تنبؤات نموذج الذكاء الاصطناعي للرؤية مع النتائج الواقعية.

تتمثل إحدى مهام الرؤية الحاسوبية الشائعة في اكتشاف الكائنات، حيث يحدد النموذج كائنات متعددة في صورة ويرسم حولها مربعات إحاطة. ويُعد mAP المقياس القياسي المستخدم لتقييم أداء نماذج اكتشاف الكائنات، ويُستخدم على نطاق واسع لقياس أداء نماذج التعلم العميق مثل Ultralytics YOLO11.

في هذه المقالة، سنتعرف على كيفية حساب متوسط الدقة وسبب أهميته لكل من يدرب نماذج اكتشاف الكائنات أو يقيّمها. لنبدأ!

ما متوسط الدقة (mAP)؟#

متوسط الدقة هو درجة توضح مدى دقة نموذج التعلم العميق في المهام المتعلقة باسترجاع المعلومات المرئية، مثل اكتشاف الكائنات المختلفة في صورة وتحديد هويتها. على سبيل المثال، لنفترض أن نموذج اكتشاف الكائنات يحلل صورة تحتوي على كلب وقطة وسيارة. يمكن لنموذج موثوق إجراء اكتشاف للكائنات من خلال التعرف على كل كائن ورسم مربعات إحاطة وتسميات حوله، موضحًا موقعه وماهيته.

يوضح mAP مدى جودة أداء النموذج في هذه المهمة عبر العديد من الصور والأنواع المختلفة من الكائنات. ويتحقق مما إذا كان النموذج يحدد كل كائن وموقعه داخل الصورة بدقة. وتتراوح الدرجة من 0 إلى 1؛ إذ يعني الواحد أن النموذج عثر على كل شيء بصورة مثالية، بينما يعني الصفر أنه أخفق في اكتشاف أي كائنات.

المفاهيم الأساسية في متوسط الدقة (mAP)#

قبل استكشاف المفاهيم الكامنة وراء متوسط الدقة في التعلم الآلي، دعونا نفهم بشكل أفضل مصطلحين أساسيين: الحقيقة الأساسية والتنبؤات.

تشير الحقيقة الأساسية إلى البيانات المرجعية الدقيقة، حيث يضع البشر تسميات دقيقة للكائنات ومواقعها في الصورة من خلال عملية تُعرف باسم التعليق التوضيحي. أما التنبؤات فهي النتائج التي تقدمها نماذج الذكاء الاصطناعي بعد تحليل الصورة. ومن خلال مقارنة تنبؤات نموذج الذكاء الاصطناعي بالحقيقة الأساسية، يمكننا قياس مدى اقتراب النموذج من النتائج الصحيحة.

الشكل 1. مربعات إحاطة تنبؤ النموذج والحقيقة الأساسية. الصورة من إعداد المؤلف.

مصفوفة الالتباس#

تُستخدم مصفوفة الالتباس غالبًا لفهم مدى دقة نموذج اكتشاف الكائنات. وهي جدول يوضح مدى تطابق تنبؤات النموذج مع الإجابات الصحيحة الفعلية (الحقيقة الأساسية). ومن هذا الجدول، يمكننا الحصول على تفصيل لأربعة مكونات أو نتائج رئيسية: الإيجابيات الحقيقية، والإيجابيات الكاذبة، والسلبيات الكاذبة، والسلبيات الحقيقية.

فيما يلي ما تمثله هذه المكونات في مصفوفة الالتباس:

• الإيجابي الحقيقي (TP): يكتشف النموذج الكائن وموقعه بشكل صحيح.
• الإيجابي الكاذب (FP): أجرى النموذج عملية اكتشاف، لكنها كانت غير صحيحة.
• السلبي الكاذب (FN): كان الكائن موجودًا فعليًا في الصورة، لكن النموذج أخفق في اكتشافه.
• السلبي الحقيقي (TN): تحدث السلبيات الحقيقية عندما يحدد النموذج بشكل صحيح عدم وجود كائن.

لا تُستخدم السلبيات الحقيقية عادةً في اكتشاف الكائنات، لأننا نتجاهل عادةً المناطق الفارغة العديدة في الصورة. ومع ذلك، فهي ضرورية في مهام أخرى للرؤية الحاسوبية، مثل تصنيف الصور، حيث يعيّن النموذج تسمية للصورة. على سبيل المثال، إذا كانت المهمة هي تحديد ما إذا كانت الصورة تحتوي على قطة أم لا، وحدد النموذج بشكل صحيح «لا توجد قطة» عندما لا تحتوي الصورة على قطة، فهذه سلبية حقيقية.

الشكل 2. نتائج التصنيف في مصفوفة الالتباس. الصورة من إعداد المؤلف.

التقاطع على الاتحاد (IoU)#

من المقاييس الحيوية الأخرى في تقييم نماذج اكتشاف الكائنات التقاطع على الاتحاد (IoU). بالنسبة إلى نماذج الذكاء الاصطناعي للرؤية هذه، لا يكفي اكتشاف وجود كائن في صورة؛ بل يجب أيضًا تحديد موقعه في الصورة لرسم مربعات الإحاطة.

يقيس مقياس IoU مدى تطابق المربع الذي تنبأ به النموذج مع المربع الفعلي الصحيح (الحقيقة الأساسية). وتتراوح الدرجة بين 0 و1؛ إذ يعني 1 تطابقًا مثاليًا، بينما يعني 0 عدم وجود أي تداخل.

على سبيل المثال، يعني IoU الأعلى، مثل 0.80 أو 0.85، أن المربع المتنبأ به يطابق مربع الحقيقة الأساسية بدرجة كبيرة، ما يشير إلى دقة تحديد الموقع. أما IoU الأقل، مثل 0.30 أو 0.25، فيعني أن النموذج لم يحدد موقع الكائن بدقة.

لتحديد ما إذا كان الاكتشاف ناجحًا، نستخدم عتبات مختلفة. ومن عتبات IoU الشائعة 0.5، ما يعني أن المربع المتنبأ به يجب أن يتداخل مع مربع الحقيقة الأساسية بنسبة لا تقل عن 50% حتى يُحتسب إيجابيًا حقيقيًا. ويُعد أي تداخل يقل عن هذه العتبة إيجابيًا كاذبًا.

الشكل 3. فهم التقاطع على الاتحاد. الصورة من إعداد المؤلف.

الدقة والاستدعاء#

استكشفنا حتى الآن بعض مقاييس التقييم الأساسية لفهم أداء نماذج اكتشاف الكائنات. وبناءً على ذلك، يُعد الضبط والاستدعاء من أهم المقاييس. فهي تقدم صورة واضحة عن مدى دقة اكتشافات النموذج. دعونا نلقِ نظرة على ماهيتها.

توضح قيم الدقة عدد تنبؤات النموذج التي كانت صحيحة فعليًا. وتجيب عن السؤال التالي: من بين جميع الكائنات التي ادعى النموذج اكتشافها، كم كائنًا كان موجودًا بالفعل؟

أما قيم الاستدعاء، فتقيس مدى جودة النموذج في العثور على جميع الكائنات الفعلية الموجودة في الصورة. وتجيب عن السؤال التالي: من بين جميع الكائنات الحقيقية الموجودة، كم كائنًا اكتشفه النموذج بشكل صحيح؟

تقدم الدقة والاستدعاء معًا صورة أوضح عن مدى جودة أداء النموذج. على سبيل المثال، إذا تنبأ نموذج بوجود 10 سيارات في صورة وكانت 9 منها سيارات فعلًا، فإن دقته تبلغ 90% (تنبؤ إيجابي).

غالبًا ما ينطوي هذان المقياسان للتقييم على مفاضلة: يمكن للنموذج تحقيق قيمة دقة عالية من خلال إجراء التنبؤات التي يثق بها تمامًا فقط، لكن قد يؤدي ذلك إلى تفويت العديد من الكائنات، ما يخفض مستوى الاستدعاء. وفي المقابل، يمكنه تحقيق استدعاء مرتفع جدًا من خلال التنبؤ بمربع إحاطة في كل مكان تقريبًا، لكن هذا سيقلل الدقة.

الشكل 4. الدقة والاستدعاء. الصورة من إعداد المؤلف.

متوسط الدقة#

بينما تساعدنا الدقة والاستدعاء على فهم أداء النموذج في التنبؤات الفردية، يمكن لمتوسط الدقة (AP) أن يقدم رؤية أوسع. فهو يوضح كيفية تغير دقة النموذج أثناء محاولته اكتشاف المزيد من الكائنات، ويلخص أداءه في رقم واحد.

لحساب درجة متوسط الدقة، يمكننا أولًا إنشاء مقياس بياني مشترك يُسمى منحنى الدقة والاستدعاء (أو منحنى PR) لكل نوع من الكائنات. ويوضح هذا المنحنى ما يحدث عندما يُجري النموذج المزيد من التنبؤات.

لنفترض سيناريو يبدأ فيه النموذج باكتشاف الكائنات الأسهل أو الأكثر وضوحًا فقط. في هذه المرحلة، تكون الدقة مرتفعة لأن معظم التنبؤات صحيحة، لكن الاستدعاء يكون منخفضًا، إذ لا يزال يفوّت العديد من الكائنات. ومع محاولة النموذج اكتشاف المزيد من الكائنات، بما في ذلك الكائنات الأصعب أو الأقل شيوعًا، فإنه عادةً ما يُدخل المزيد من الأخطاء. ويؤدي ذلك إلى انخفاض الدقة بينما يزداد الاستدعاء.

يمثل متوسط الدقة المساحة الواقعة أسفل المنحنى (AUC لمنحنى PR). وتعني المساحة الأكبر أن النموذج أفضل في الحفاظ على دقة تنبؤاته حتى أثناء اكتشافه المزيد من الكائنات. ويُحسب AP بشكل منفصل لكل تسمية فئة.

على سبيل المثال، في نموذج يمكنه اكتشاف السيارات والدراجات والمشاة، يمكننا حساب قيم AP بشكل منفصل لكل فئة من هذه الفئات الثلاث. ويساعدنا ذلك على معرفة الكائنات التي يجيد النموذج اكتشافها والمواضع التي قد لا يزال يحتاج فيها إلى تحسين.

الشكل 5. منحنى PR لخمس فئات مختلفة. (المصدر)

متوسط متوسط الدقة#

بعد حساب متوسط الدقة لكل فئة من فئات الكائنات، ما زلنا بحاجة إلى درجة واحدة تعكس الأداء العام للنموذج عبر جميع الفئات. ويمكن تحقيق ذلك باستخدام صيغة متوسط متوسط الدقة. فهي تحسب متوسط درجات AP لكل فئة.

على سبيل المثال، لنفترض أن نموذجًا للرؤية الحاسوبية مثل Ultralytics YOLO11 حقق AP قدره 0.827 للسيارات، و0.679 للدراجات النارية، و0.355 للشاحنات، و0.863 للحافلات، و0.982 للدراجات. وباستخدام صيغة mAP، يمكننا جمع هذه الأرقام وقسمتها على العدد الإجمالي للفئات كما يلي:

mAP = (0.827 + 0.679 + 0.355 + 0.863 + 0.982) ÷ 5 = 0.7432 ≈ 0.743

توفر درجة mAP البالغة 0.743 طريقة مباشرة للحكم على مدى جودة أداء النموذج عبر جميع فئات الكائنات. وتشير القيمة القريبة من 1 إلى أن النموذج دقيق في معظم الفئات، بينما تشير القيمة الأقل إلى أنه يواجه صعوبة في بعضها.

أهمية AP وmAP في الرؤية الحاسوبية#

بعد أن أصبح لدينا فهم أفضل لكيفية حساب AP وmAP ومكوناتهما، إليكم نظرة عامة على أهميتهما في الرؤية الحاسوبية:

• انخفاض AP لفئة محددة: غالبًا ما يعني انخفاض AP لفئة واحدة أن النموذج يواجه صعوبة مع فئة الكائن المحددة تلك. وقد يرجع ذلك إلى عدم كفاية بيانات التدريب أو التحديات المرئية في الصور، مثل الحجب.

• أخطاء تحديد الموقع: تشير قيمة mAP الأعلى عند عتبة IoU منخفضة، مثل mAP@0.50، مقترنة بانخفاض كبير عند عتبة IoU أعلى، مثل mAP@0.75، إلى أن النموذج يستطيع اكتشاف الكائنات لكنه يواجه صعوبة في تحديد مواقعها بدقة.

• فرط التخصيص: تُعد قيمة mAP الأعلى في مجموعة بيانات التدريب، مقابل قيمة mAP الأقل في مجموعة بيانات التحقق، علامةً على فرط التخصيص، ما يجعل النموذج غير موثوق عند التعامل مع صور جديدة.

التطبيقات الواقعية لمتوسط الدقة#

بعد ذلك، دعونا نستكشف كيف يمكن للمقاييس الرئيسية مثل mAP أن تساعد عند بناء حالات استخدام واقعية للرؤية الحاسوبية.

المركبات ذاتية القيادة: لماذا تعني قيمة mAP الأعلى طرقًا أكثر أمانًا#

عندما يتعلق الأمر بـالسيارات ذاتية القيادة، يُعد اكتشاف الكائنات أمرًا بالغ الأهمية لتحديد المشاة وإشارات المرور وراكبي الدراجات وعلامات المسارات. على سبيل المثال، إذا ركض طفل فجأة عبر الشارع، فلدى السيارة ثوانٍ لاكتشاف الكائن (الطفل)، وتحديد موقعه، وتتبع حركته، واتخاذ الإجراء اللازم (الضغط على المكابح).

صُممت نماذج مثل Ultralytics YOLO11 لاكتشاف الكائنات في الوقت الفعلي ضمن هذه السيناريوهات عالية المخاطر. وفي هذه الحالات، يصبح mAP مقياسًا حاسمًا للسلامة.

تضمن درجة mAP العالية أن يكتشف النظام الطفل بسرعة، ويحدد موقعه بدقة، ويفعّل المكابح بأقل تأخير ممكن. وقد يعني انخفاض mAP عدم اكتشاف بعض الكائنات أو حدوث تصنيفات خاطئة خطيرة، مثل الخلط بين الطفل وكائن صغير آخر.

الشكل 6. مثال على استخدام YOLO11 لاكتشاف المشاة على الطريق. (المصدر)

استخدام mAP لاكتشاف المنتجات بدقة#

وبالمثل، في تجارة التجزئة، يمكن استخدام نماذج اكتشاف الكائنات لأتمتة مهام مثل مراقبة المخزون وعمليات الدفع. وعندما يمسح العميل منتجًا عند الدفع الذاتي، قد يتسبب خطأ في الاكتشاف في شعوره بالإحباط.

تضمن درجة mAP العالية تمييز النموذج بدقة بين المنتجات المتشابهة ورسم مربعات إحاطة دقيقة، حتى عندما تكون المنتجات متراصة بإحكام. وقد تؤدي درجة mAP المنخفضة إلى حدوث التباس. فعلى سبيل المثال، إذا أخطأ النموذج وظن أن زجاجة عصير البرتقال زجاجة عصير تفاح مشابهة بصريًا، فقد يؤدي ذلك إلى إصدار فاتورة غير صحيحة وتقارير مخزون غير دقيقة.

يمكن لأنظمة البيع بالتجزئة المدمجة مع نماذج مثل Ultralytics YOLO11 اكتشاف المنتجات في الوقت الفعلي، ومقارنتها بالمخزون، وتحديث الأنظمة الخلفية فورًا. وفي بيئات البيع بالتجزئة السريعة، يؤدي mAP دورًا حاسمًا في الحفاظ على دقة العمليات وموثوقيتها.

تحسين دقة التشخيص باستخدام mAP مرتفع في الرعاية الصحية#

يبدأ تحسين دقة التشخيص في الرعاية الصحية بالاكتشاف الدقيق في التصوير الطبي. ويمكن لنماذج مثل YOLO11 مساعدة أطباء الأشعة على اكتشاف الأورام والكسور أو الحالات الشاذة الأخرى في تلك الفحوصات الطبية. وهنا، يُعد متوسط الدقة مقياسًا أساسيًا لتقييم الموثوقية السريرية للنموذج.

تشير قيمة mAP العالية إلى أن النموذج يحقق استدعاءً مرتفعًا (تحديد معظم المشكلات الفعلية) ودقةً مرتفعة (تجنب الإنذارات الكاذبة)، وهو أمر بالغ الأهمية في اتخاذ القرارات السريرية. كذلك، غالبًا ما تُضبط عتبة IoU في الرعاية الصحية على قيمة مرتفعة جدًا (0.85 أو 0.90) لضمان اكتشاف دقيق للغاية.

ومع ذلك، قد تثير درجة mAP المنخفضة مخاوف. فلنفترض أن نموذجًا أخفق في اكتشاف ورم؛ فقد يؤدي ذلك إلى تأخير التشخيص أو إلى علاج غير صحيح.

إيجابيات وسلبيات استخدام mAP#

فيما يلي المزايا الرئيسية لاستخدام متوسط الدقة لتقييم نماذج اكتشاف الكائنات:

• مقياس موحد: يُعد mAP المعيار المتبع في المجال لتقييم نماذج اكتشاف الكائنات. وتتيح قيمة mAP إجراء مقارنات عادلة ومتسقة بين النماذج المختلفة.

• يعكس الأداء الواقعي: تشير قيمة mAP العالية إلى أن النموذج متميز في اكتشاف فئات مختلفة من الكائنات ويحافظ على أداء قوي في السيناريوهات المعقدة والواقعية.

• تشخيص حسب الفئة: تقيّم درجة mAP أداء الاكتشاف لكل فئة على حدة. وهذا يسهل تحديد الفئات ضعيفة الأداء (مثل الدراجات أو إشارات الشوارع) وضبط النموذج وفقًا لذلك.

رغم وجود فوائد متعددة لاستخدام مقياس mAP، فهناك بعض القيود التي ينبغي أخذها في الاعتبار. وفيما يلي بعض العوامل التي يجب مراعاتها:

• صعب على أصحاب المصلحة غير التقنيين: قد تجد فرق الأعمال أو الفرق السريرية قيم mAP مجردة، بخلاف المقاييس الأكثر سهولة وبديهية في الفهم.

• لا يعكس قيود الوقت الفعلي: لا يأخذ mAP في الحسبان سرعة الاستدلال أو زمن الاستجابة، وهما عاملان حاسمان للنشر في التطبيقات الحساسة للوقت.

أهم النقاط المستخلصة#

لقد رأينا أن متوسط الدقة ليس مجرد درجة تقنية، بل هو انعكاس لإمكانات أداء النموذج في العالم الواقعي. وسواء أكان ذلك في نظام مركبة ذاتية القيادة أم عند الدفع في متجر للبيع بالتجزئة، فإن درجة mAP العالية تُعد مؤشرًا موثوقًا على أداء النموذج وجاهزيته العملية.

رغم أن mAP مقياس أساسي ومؤثر، فإنه ينبغي اعتباره جزءًا من استراتيجية تقييم متكاملة. وبالنسبة إلى التطبيقات الحساسة مثل الرعاية الصحية والقيادة الذاتية، لا يكفي الاعتماد على mAP وحده.

يجب أيضًا مراعاة عوامل إضافية مثل سرعة الاستدلال (مدى سرعة إجراء النموذج للتنبؤات)، وحجم النموذج (الذي يؤثر في نشره على الأجهزة الطرفية)، وتحليل الأخطاء النوعي (لفهم أنواع الأخطاء التي يرتكبها النموذج)، وذلك لضمان أن يكون النظام آمنًا وفعالًا وملائمًا حقًا للغرض المقصود منه.

انضم إلى مجتمعنا المتنامي ومستودعنا على GitHub لمعرفة المزيد عن الرؤية الحاسوبية. واستكشف صفحات حلولنا للتعرف على تطبيقات الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الخدمات اللوجستية. وتعرّف على خيارات الترخيص للبدء باستخدام نموذج الرؤية الحاسوبية الخاص بك اليوم!