متوسط الدقة (mAP) في اكتشاف الكائنات

يتزايد اعتماد الذكاء الاصطناعي بسرعة، ويُدمج في ابتكارات شتى، من السيارات ذاتية القيادة إلى أنظمة البيع بالتجزئة القادرة على تحديد المنتجات على الرفوف. وتعتمد هذه التقنيات على الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI) يتيح للآلات تحليل البيانات المرئية.

من مقاييس التقييم الأساسية المستخدمة لقياس دقة أنظمة الرؤية الحاسوبية وخوارزمياتها متوسط الدقة المتوسطة (mAP). ويشير مقياس mAP إلى مدى تطابق تنبؤات نموذج الذكاء الاصطناعي للرؤية مع النتائج الواقعية.

من مهام الرؤية الحاسوبية الشائعة اكتشاف الأجسام، حيث يحدد النموذج أجسامًا متعددة في الصورة ويرسم حولها مربعات إحاطة. ويُعد mAP المقياس المعياري المستخدم لتقييم أداء نماذج اكتشاف الأجسام، كما يُستخدم على نطاق واسع لقياس أداء نماذج التعلم العميق مثل Ultralytics YOLO11.

سنرى في هذه المقالة كيفية حساب متوسط الدقة المتوسطة، وسبب أهميته لكل من يدرّب نماذج اكتشاف الأجسام أو يقيّمها.

ما متوسط الدقة (mAP)؟#

متوسط الدقة هو درجة توضح مدى دقة نموذج التعلم العميق في المهام المتعلقة باسترجاع المعلومات المرئية، مثل اكتشاف الأجسام المختلفة في الصورة والتعرف عليها. فعلى سبيل المثال، انظر إلى نموذج اكتشاف الأجسام يحلل صورة تحتوي على كلب وقطة وسيارة. يستطيع النموذج الموثوق اكتشاف كل جسم من خلال التعرف عليه ورسم مربعات الإحاطة والتسميات حوله، موضحًا موقعه وهويته.

يشير mAP إلى مدى جودة أداء النموذج في هذه المهمة عبر صور عديدة وأنواع مختلفة من الأجسام. فهو يتحقق مما إذا كان النموذج يحدد كل جسم وموقعه في الصورة بدقة. وتتراوح الدرجة بين 0 و1؛ إذ تعني 1 أن النموذج اكتشف كل شيء على نحو مثالي، بينما تعني 0 أنه أخفق في اكتشاف أي جسم.

المفاهيم الرئيسية في متوسط الدقة (mAP)#

قبل استكشاف المفاهيم الكامنة وراء متوسط الدقة في التعلم الآلي، لنتعرف أكثر على مصطلحين أساسيين: الحقيقة المرجعية والتنبؤات.

تشير الحقيقة المرجعية إلى البيانات المرجعية الدقيقة، حيث يضع البشر تسميات دقيقة للأجسام ومواقعها في الصورة ضمن عملية تُعرف باسم التعليق التوضيحي. أما التنبؤات فهي النتائج التي تقدمها نماذج الذكاء الاصطناعي بعد تحليل الصورة. ويمكننا قياس مدى اقتراب النموذج من النتائج الصحيحة بمقارنة تنبؤاته بالحقيقة المرجعية.

الشكل 1. مربعات الإحاطة لتنبؤ النموذج والحقيقة المرجعية. الصورة من إعداد المؤلف.

مصفوفة الالتباس#

غالبًا ما تُستخدم مصفوفة الالتباس لفهم مدى دقة نموذج اكتشاف الأجسام. وهي جدول يوضح مدى تطابق تنبؤات النموذج مع الإجابات الصحيحة الفعلية (الحقيقة المرجعية). ويمكننا استخلاص تفصيل لأربعة مكونات أو نتائج رئيسية من هذا الجدول: الإيجابيات الحقيقية، والإيجابيات الكاذبة، والسلبيات الكاذبة، والسلبيات الحقيقية.

فيما يلي ما تمثله هذه المكونات في مصفوفة الالتباس:

• إيجابي حقيقي (TP): يكتشف النموذج جسمًا وموقعه على نحو صحيح.
• إيجابي كاذب (FP): أجرى النموذج عملية اكتشاف، لكنها كانت خاطئة.
• سلبي كاذب (FN): جسم موجود بالفعل في الصورة، لكن النموذج أخفق في اكتشافه.
• سلبي حقيقي (TN): تحدث السلبيات الحقيقية عندما يحدد النموذج على نحو صحيح غياب جسم ما.

لا تُستخدم السلبيات الحقيقية عادةً في اكتشاف الأجسام، لأننا نتجاهل غالبًا المناطق الفارغة الكثيرة في الصورة. لكنها مهمة في مهام أخرى للرؤية الحاسوبية، مثل تصنيف الصور، حيث يُسنِد النموذج تسمية إلى الصورة. فعلى سبيل المثال، إذا كانت المهمة تحديد ما إذا كانت الصورة تحتوي على قطة أم لا، وحدد النموذج على نحو صحيح «لا توجد قطة» عندما لا تحتوي الصورة عليها، فهذه حالة سلبية حقيقية.

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

التقاطع على الاتحاد (IoU)#

من المقاييس الحيوية الأخرى لتقييم نماذج اكتشاف الأجسام التقاطع على الاتحاد (IoU). فبالنسبة إلى نماذج ذكاء اصطناعي للرؤية من هذا النوع، لا يكفي اكتشاف وجود جسم في الصورة؛ بل يجب أيضًا تحديد موقعه فيها لرسم مربعات الإحاطة.

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

فعلى سبيل المثال، تعني قيمة IoU مرتفعة (مثل 0.80 أو 0.85) أن المربع المتنبأ به يطابق إلى حد كبير مربع الحقيقة المرجعية، مما يشير إلى دقة تحديد الموقع. أما قيمة IoU المنخفضة (مثل 0.30 أو 0.25) فتعني أن النموذج لم يحدد موقع الجسم بدقة.

نستخدم عتبات مختلفة لتحديد ما إذا كان الاكتشاف ناجحًا. ومن عتبات IoU الشائعة 0.5، ما يعني أن المربع المتنبأ به يجب أن يتداخل مع مربع الحقيقة المرجعية بنسبة 50% على الأقل ليُحتسب 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 الأجسام. واستكمالًا لذلك، يُعد مقياسا الدقة والاستدعاء من أهم المقاييس، إذ يقدمان صورة واضحة عن مدى دقة عمليات الاكتشاف التي يجريها النموذج. لنلقِ نظرة على المقصود بهما.

تبيّن قيم الدقة عدد تنبؤات النموذج التي كانت صحيحة بالفعل. وهي تجيب عن السؤال التالي: من بين جميع الأجسام التي زعم النموذج اكتشافها، كم جسمًا كان موجودًا بالفعل؟

أما قيم الاستدعاء، فتقيس مدى نجاح النموذج في العثور على جميع الأجسام الفعلية الموجودة في الصورة. وهي تجيب عن السؤال التالي: من بين جميع الأجسام الموجودة فعلًا، كم جسمًا اكتشفه النموذج على نحو صحيح؟

يمنحنا كل من الإحكام والاسترجاع صورة أوضح عن أداء النموذج. فعلى سبيل المثال، إذا تنبأ نموذج بوجود 10 سيارات في صورة، وكانت 9 منها سيارات بالفعل، فإن إحكامه يبلغ 90%.

غالبًا ما تنطوي موازنة هذين المقياسين على مفاضلة: فقد يحقق النموذج دقة عالية إذا اقتصر على التنبؤات التي يثق بها تمامًا، لكن ذلك قد يجعله يفوّت أجسامًا كثيرة، مما يخفض مستوى الاستدعاء. وفي المقابل، يمكنه تحقيق استدعاء مرتفع جدًا بالتنبؤ بمربع إحاطة في كل مكان تقريبًا، لكن ذلك سيخفض الدقة.

الشكل 4. الدقة والاستدعاء. الصورة من إعداد المؤلف.

متوسط الدقة#

يساعدنا مقياسا الدقة والاستدعاء على فهم أداء النموذج في التنبؤات الفردية، بينما يقدم متوسط الدقة (AP) نظرة أشمل. فهو يوضح كيفية تغير دقة النموذج أثناء محاولته اكتشاف مزيد من الأجسام، ويلخص أداءه في قيمة واحدة.

لحساب درجة متوسط الدقة، يمكننا أولًا إنشاء مقياس بياني مركب يسمى منحنى الدقة والاستدعاء (أو منحنى PR) لكل نوع من الأجسام. ويوضح هذا المنحنى ما يحدث عندما يقدم النموذج مزيدًا من التنبؤات.

لنتصور سيناريو يبدأ فيه النموذج باكتشاف الأجسام الأسهل أو الأوضح فقط. تكون الدقة في هذه المرحلة مرتفعة لأن معظم التنبؤات صحيحة، لكن الاستدعاء يكون منخفضًا لأن النموذج لا يزال يفوّت أجسامًا كثيرة. وعندما يحاول النموذج اكتشاف مزيد من الأجسام، بما فيها الأجسام الأصعب أو الأقل شيوعًا، فإنه عادةً ما يرتكب مزيدًا من الأخطاء. ويؤدي ذلك إلى انخفاض الدقة وارتفاع الاستدعاء.

متوسط الدقة هو المساحة تحت منحنى الإحكام والاسترجاع (AUC). وتشير المساحة الأكبر إلى قدرة النموذج على الحفاظ على دقة تنبؤاته حتى مع اكتشافه مزيدًا من الأجسام. ويُحسب AP لكل تسمية فئة على حدة.

فعلى سبيل المثال، في نموذج يستطيع اكتشاف السيارات والدراجات والمشاة، يمكننا حساب قيم AP لكل فئة من هذه الفئات الثلاث على حدة. ويساعدنا ذلك على معرفة الأجسام التي يجيد النموذج اكتشافها والمجالات التي قد لا يزال بحاجة فيها إلى التحسين.

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

متوسط متوسط الدقة#

بعد حساب متوسط الدقة لكل فئة من الأجسام، نحتاج إلى درجة واحدة تعكس الأداء الإجمالي للنموذج عبر جميع الفئات. ويمكن تحقيق ذلك باستخدام صيغة متوسط الدقة المتوسطة، التي تحسب متوسط درجات AP لكل فئة.

لنفترض، على سبيل المثال، أن نموذجًا للرؤية الحاسوبية مثل Ultralytics YOLO11 حقق قيمة AP تبلغ 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 = 0.7412 ≈ 0.741

توفر درجة mAP البالغة 0.741 طريقة مباشرة للحكم على أداء النموذج عبر جميع فئات الأجسام. وتعني القيمة القريبة من 1 أن النموذج دقيق في معظم الفئات، في حين تشير القيمة الأقل إلى صعوبته في التعامل مع بعضها.

أهمية AP وmAP في الرؤية الحاسوبية#

بعد أن تعرفنا على نحو أفضل على كيفية حساب AP وmAP ومكوناتهما، إليك نظرة عامة على أهميتهما في الرؤية الحاسوبية:

• انخفاض AP لفئة معينة: غالبًا ما يعني انخفاض AP لفئة واحدة أن النموذج يواجه صعوبة في اكتشاف أجسام تلك الفئة تحديدًا. وقد يرجع ذلك إلى عدم كفاية بيانات التدريب أو التحديات البصرية في الصور، مثل الاحتجاب.
• أخطاء تحديد الموقع: تشير قيمة mAP أعلى عند عتبة IoU منخفضة (مثل mAP₅₀)، مقترنة بانخفاض ملحوظ عند عتبة IoU أعلى (مثل mAP₇₅)، إلى أن النموذج يستطيع كشف الأجسام لكنه يواجه صعوبة في تحديد مواقعها بدقة.
• فرط التخصيص: تُعد قيمة mAP أعلى على مجموعة البيانات التدريبية، لكنها أقل على مجموعة بيانات التحقق، علامة على فرط التخصيص، مما يجعل النموذج غير موثوق في التعامل مع الصور الجديدة.

تطبيقات متوسط الدقة في العالم الحقيقي#

بعد ذلك، سنستكشف كيف يمكن لمقاييس رئيسية مثل mAP أن تساعد في بناء تطبيقات الرؤية الحاسوبية في العالم الحقيقي.

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

عند التعامل مع السيارات ذاتية القيادة، يُعد اكتشاف الأجسام ضروريًا للتعرف على المشاة وإشارات الطريق وراكبي الدراجات وعلامات المسارات. فعلى سبيل المثال، إذا اندفع طفل فجأة إلى الشارع، فلدى السيارة ثوانٍ لاكتشاف الجسم (الطفل) وتحديد موقعه وتتبع حركته واتخاذ الإجراء اللازم (الضغط على المكابح).

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

تعني درجة mAP المرتفعة أن النظام أقدر على اكتشاف الطفل وتحديد موقعه بدقة، ما يتيح تفعيل الكبح بأقل تأخير. وقد تعني درجة mAP المنخفضة عدم اكتشاف بعض الأجسام أو تصنيفها تصنيفًا خاطئًا وخطيرًا، كأن يخلط النظام بين الطفل وجسم صغير آخر.

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

استخدام mAP لاكتشاف المنتجات بدقة#

وبالمثل، يمكن استخدام نماذج اكتشاف الأجسام في قطاع البيع بالتجزئة لأتمتة مهام مثل مراقبة المخزون وإجراءات الدفع. فعندما يمسح العميل منتجًا ضوئيًا عند نقطة دفع ذاتية، قد يؤدي خطأ في الاكتشاف إلى الإحباط.

تضمن قيمة mAP المرتفعة أن يميز النموذج بدقة بين المنتجات المتشابهة، ويرسم مربعات إحاطة دقيقة حتى عندما تكون المنتجات متراصة بإحكام. وقد تؤدي قيمة mAP المنخفضة إلى حدوث التباس. فعلى سبيل المثال، إذا أخطأ النموذج وظن أن زجاجة عصير برتقال هي زجاجة عصير تفاح مشابهة لها بصريًا، فقد ينتج عن ذلك احتساب فاتورة غير صحيحة وتقارير مخزون غير دقيقة.

يمكن لأنظمة البيع بالتجزئة المدمجة مع نماذج مثل Ultralytics YOLO11 اكتشاف المنتجات في الوقت الفعلي، ومطابقتها مع المخزون، وتحديث الأنظمة الخلفية فورًا. ويلعب mAP دورًا محوريًا في الحفاظ على دقة العمليات وموثوقيتها في بيئات البيع بالتجزئة سريعة الوتيرة.

تعزيز دقة التشخيص في الرعاية الصحية باستخدام mAP مرتفع#

يبدأ تحسين دقة التشخيص في الرعاية الصحية بالاكتشاف الدقيق في التصوير الطبي. ويمكن لنماذج مثل YOLO11 مساعدة اختصاصيي الأشعة على رصد الأورام أو الكسور أو غيرها من الحالات الشاذة في صور الفحوص الطبية. ويُعد متوسط الدقة مقياسًا أساسيًا لتقييم الموثوقية السريرية للنموذج.

يشير ارتفاع mAP إلى أن النموذج يحقق استدعاءً مرتفعاً (يرصد معظم المشكلات الفعلية) ودقةً عالية (يتجنب الإنذارات الكاذبة)، وهو أمر بالغ الأهمية في اتخاذ القرارات السريرية.

لكن انخفاض قيمة mAP قد يثير القلق. فلنفترض أن النموذج لم يكتشف ورمًا؛ قد يؤدي ذلك إلى تأخير التشخيص أو إلى علاج غير صحيح.

إيجابيات استخدام mAP وسلبياته#

فيما يلي أبرز مزايا استخدام متوسط الدقة لتقييم نماذج اكتشاف الأجسام:

• مقياس موحّد: يُعد mAP المعيار المعتمد في القطاع لتقييم نماذج اكتشاف الأجسام. وتتيح قيمة mAP إجراء مقارنات عادلة ومتسقة بين النماذج المختلفة.
• يعكس الأداء في العالم الحقيقي: تشير قيمة mAP المرتفعة إلى تميز النموذج في اكتشاف فئات متنوعة من الأجسام، والحفاظ على أداء قوي في السيناريوهات المعقدة والواقعية.
• تشخيص حسب الفئة: يُشتق mAP من درجات AP لكل فئة، ما يسهّل تحديد الفئات ضعيفة الأداء، مثل الدراجات أو لافتات الشوارع، وضبط النموذج وفقًا لذلك.

على الرغم من فوائد مقياس mAP المتعددة، ثمة بعض القيود التي ينبغي أخذها في الاعتبار. وفيما يلي بعض العوامل التي يجب مراعاتها:

• صعب الفهم لغير المتخصصين: قد تجد فرق الأعمال أو الفرق السريرية أن قيم mAP مجردة، بخلاف المقاييس الأكثر وضوحًا وسهولة في الفهم.
• لا يعكس قيود الوقت الفعلي: لا يأخذ mAP في الحسبان سرعة الاستدلال أو زمن الاستجابة، وهما عاملان أساسيان للنشر في التطبيقات الحساسة للوقت.

أبرز النقاط#

رأينا أن متوسط الدقة ليس مجرد درجة تقنية، بل هو انعكاس لإمكانات النموذج في تحقيق أداء واقعي. وسواء أكان ذلك في نظام مركبة ذاتية القيادة أم في نقطة دفع بمتجر، فإن قيمة mAP المرتفعة مؤشر موثوق على أداء النموذج وجاهزيته العملية.

على الرغم من أن mAP مقياس أساسي ومؤثر، ينبغي النظر إليه ضمن استراتيجية تقييم متكاملة. وفي التطبيقات الحساسة مثل الرعاية الصحية والقيادة الذاتية، لا يكفي الاعتماد على mAP وحده.

يجب أيضًا مراعاة عوامل إضافية مثل سرعة الاستدلال (مدى سرعة إصدار النموذج للتنبؤات)، وحجم النموذج (تأثيره في النشر على الأجهزة الطرفية)، والتحليل النوعي للأخطاء (فهم أنواع الأخطاء التي يرتكبها النموذج)، لضمان أن يكون النظام آمنًا وفعالًا وملائمًا حقًا للغرض المنشود.

انضم إلى مجتمعنا المتنامي ومستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. استكشف صفحات حلولنا للتعرّف على تطبيقات الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الخدمات اللوجستية. اطّلع على خيارات الترخيص وابدأ اليوم بإنشاء نموذج الرؤية الحاسوبية الخاص بك!