ما هي تجزئة المثال؟ دليل سريع

تصبح تطبيقات Computer vision أكثر شيوعاً في حياتنا اليومية، بدءاً من كاميرات المرور التي تراقب حالة الطرق وصولاً إلى أنظمة الدفع الذاتي في المتاجر. ومن خلال تمكين الآلات من فهم البيانات المرئية بطريقة مشابهة للبشر، يحدث الذكاء الاصطناعي الرؤيقي تأثيراً في مجموعة من الصناعات.

تعتمد العديد من هذه التطبيقات على اكتشاف الكائنات، وهو computer vision task يضع مربعات الإحيطة حول الكائنات الرئيسية في الصور. وفي حين أن هذا النهج غالباً ما يعمل بشكل جيد، فإن بعض حلول تحليل الصور تحتاج إلى دقة أكبر.

على سبيل المثال، تتطلب التصوير الطبي أكثر من مجرد اكتشاف ورم - فمن الضروري تحديد شكله الدقيق. وبالمثل، في الروبوتات، تحتاج الآلات إلى التعرف على الخطوط الدقيقة للكائن للإمساك به بشكل صحيح. ولمعالجة هذه التحديات، يوفر تجزئة المثيلات حلاً أكثر دقة.

تجزئة المثيلات هي مهمة رؤية حاسوبية مصممة لدعم حالات الاستخدام التي لا يكفي فيها اكتشاف الكائنات فحسب، حيث توفر دقة على مستوى البكسل. يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لتطبيق تجزئة المثيلات على الصور والفيديوهات بسهولة.

Fig 1. مثال على استخدام YOLO11 لتجزئة المثيلات.

في هذا الدليل، سنشرح كيفية عمل تجزئة المثيلات، وتطبيقاتها، وكيف يمكن تدريب Ultralytics YOLO11 مخصصاً لمهام تجزئة محددة.

ما هو تجزئة المثيلات؟#

لنفترض أن هناك صورة جماعية لأشخاص يقفون بالقرب من بعضهم البعض. يمكن أن يساعد كشف الكائنات في رسم صناديق حول كل شخص، ولكن هذا لا يخبرك بشكلهم الدقيق.

من ناحية أخرى، تشبه Instance segmentation تتبع حواف كل شخص بعناية ليتسنى لك رؤية مخططه الكامل، حتى لو تداخلوا. وبدلاً من مجرد تحديد مكان وجود شيء ما باستخدام مربع، فإنه يحدد الشكل الدقيق لكل كائن على مستوى البكسل، مما يسهل فهم الصور المعقدة.

النتيجة هي قناع مفصل يملأ شكل الكائن، ويحدد بدقة البكسلات التي تنتمي إليه. هذا المستوى من الدقة مفيد في العديد من التطبيقات الواقعية حيث يكون فهم الشكل الدقيق وحدود الكائنات أمراً مهماً.

الشكل 2. عرض لدعم Ultralytics YOLO11 لتقسيم المثيلات.

تجزئة المثيلات مقابل التجزئة الدلالية#

أثناء استكشاف تجزئة المثيلات، قد تصادف مفهوم semantic segmentation.

يساعد كلا التقنيتين أجهزة الكمبيوتر على فهم الصور على مستوى البكسل، لكنهما تخدمان أغراضاً مختلفة. تقوم التجزئة الدلالية بتصنيف كل بكسل بناءً على فئته، وتجميع كل الكائنات من نفس النوع معاً. على سبيل المثال، في صورة بها عدة سيارات، ستقوم التجزئة الدلالية بتحديدها جميعاً كـ "سيارة" دون التمييز بين المركبات الفردية.

أما تجزئة المثيلات، فتخطو خطوة إضافية بتحديد كل كائن على حدة. فهي تعين تسميات فريدة للمثيلات الفردية وتنشئ أقنعة دقيقة حول أشكالها. لذا في نفس الصورة، لن تكتفي تجزئة المثيلات بتسمية كل شيء كـ "سيارة" بل ستتعرف على كل سيارة وتحدد خطوطها بشكل فردي.

الفرق الرئيسي بينهما هو أن التجزئة الدلالية تجمع الكائنات حسب الفئة، بينما تميز تجزئة المثيلات كل كائن ككيان فريد ذي حدود واضحة. يعتمد اختيار المهمة التي يجب استخدامها على التطبيق المحدد - سواء كان يكفي معرفة ما هو موجود في الصورة أو إذا كان من المهم التمييز بين الكائنات الفردية.

Fig 3. تجزئة المثيلات مقابل التجزئة الدلالية (إلى اليمين واليسار على التوالي).

نماذج تجزئة المثيلات الشائعة#

هناك العديد من نماذج تجزئة المثيلات المتاحة لمجتمع الرؤية الاصطناعية في الوقت الحاضر. بعضها أسرع، وبعضها أكثر دقة، وبعضها أسهل في الاستخدام.

هذه الخيارات، رغم فائدتها، قد تؤدي إلى سؤال: أيها هو الخيار الصحيح للاستخدام في مهمة محددة؟ من بين الخيارات المتاحة، تعد نماذج Ultralytics YOLO شائعة جداً لأنها تركز على السرعة والدقة.

كما تطورت هذه النماذج بشكل كبير على مر السنين. على سبيل المثال، قام Ultralytics YOLOv5 بتسهيل النشر باستخدام أطر عمل مثل PyTorch، مما جعل الذكاء الاصطناعي الرؤيقي المتقدم في متناول جمهور أوسع دون الحاجة إلى خبرة تقنية عميقة.

بناءً على هذا النجاح، قدم Ultralytics YOLOv8 دعماً محسناً لمهام الرؤية الحاسوبية مثل تجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور.

الآن، يأتي نموذج Ultralytics YOLO11 بالأداء إلى مستوى جديد تماماً. فهو يحقق دقة متوسطة أعلى (mAP) على مجموعة بيانات COCO مع تقليل المعلمات بنسبة 22% مقارنة بـ YOLOv8m، مما يعني أنه يستطيع التعرف على الكائنات بدقة أكبر بينما يستهلك موارد أقل.

Fig 4. قياس أداء YOLO11.

ب ببساطة، يقدم Ultralytics YOLO11 دقة فائقة دون المساومة على الكفاءة، مما يجعله علامة فارقة في هذا المجال.

فهم كيفية عمل تجزئة المثيلات#

بعد ذلك، دعنا نستكشف كيف تعمل تجزئة المثيلات عادةً. تستخدم computer vision models الأقدم نهجاً من خطوتين.

أولاً، تكتشف الكائنات عن طريق رسم مربعات إحيطة حولها. ثم، تنشئ قناعاً على مستوى البكسل لتحديد الشكل الدقيق لكل كائن. ومن الأمثلة المعروفة نموذج Mask R-CNN، الذي يعتمد على نماذج object detection من خلال إضافة خطوة التنبؤ بالقناع. وعلى الرغم من فعالية هذه الطريقة، إلا أنها قد تكون بطيئة لأنها تعالج الصورة على مراحل متعددة، مما يجعل تطبيقات الوقت الفعلي أكثر تحدياً.

في الوقت نفسه، تعالج نماذج مثل Ultralytics YOLO11 الصور دفعة واحدة، لتتنبأ في نفس الوقت بإطارات حدودية للأجسام وأقنعة تجزئة للنسخ. يجعل هذا النهج المبسط النموذج أسرع بكثير مع الحفاظ على دقة عالية. ونتيجة لذلك، فهو مفيد بشكل خاص للتطبيقات في الوقت الفعلي مثل القيادة الذاتية، وتحليل الفيديو، والروبوتات، حيث تكون السرعة وال دقة أمرًا بالغ الأهمية.

التدريب المخصص لـ Ultralytics YOLO11 لتقسيم المثيلات#

يأتي نموذج YOLO11 جاهزاً كنموذج مدرب مسبقاً. وقد تم تدريبه على COCO-Seg dataset، والذي يغطي الكائنات اليومية لتجزئة المثيلات. ومع ذلك، تدعم حزمة Ultralytics بايثون التدريب المخصص، وهو أمر بالغ الأهمية للتطبيقات المتخصصة حيث يلزم تجزئة كائنات فريدة.

لماذا يعد التدريب المخصص أو الضبط الدقيق للنموذج أمراً مهمهاً؟ يستفيد Custom training من التعلم القائم على النقل من خلال البناء على المعرفة المضمنة مسبقاً في النماذج المدربّة. وبدلاً من البدء من الصفر، فإنه يكيف نموذجاً موجوداً لمهام جديدة باستخدام مجموعات بيانات أصغر وموارد حوسبية أقل، مع الحفاظ في الوقت نفسه على دقة عالية.

كيفية إجراء تدريب مخصص لـ Ultralytics YOLO11#

إليك نظرة فاحصة على الخطوات المتبعة في الضبط الدقيق لـ Ultralytics YOLO11 لتجزئة النسخ:

• إعداد البيانات: قم بجمع وتعليق الصور بناءً على تطبيقك المحدد. توفر Ultralytics دعماً لعدة image datasets، ولكن يمكنك أيضاً التدريب باستخدام مجموعة البيانات الخاصة بك عن طريق إعداد الصور والتعليقات بتنسيق YOLO المطلوب.
• استخدام نموذج مدرب مسبقاً: بدلاً من البدء من الصفر، استخدم نموذج Ultralytics YOLO11 مدرباً مسبقاً.
• تدريب النموذج: ضبط إعدادات التدريب الحيوية مثل حجم الدفعة (الصور المعالجة في كل تكرار)، وحجم الصورة (دقة الإدخال المستهدفة)، والحقب التدريبية (دورات التدريب الإجمالية) وتدريب النموذج.
• تقييم الأداء: بعد اكتمال تدريب النموذج، يمكنك اختبار دقة النموذج باستخدام مقاييس الأداء مثل mAP. توفر حزمة Ultralytics Python أيضاً وظائف مضمنة لتقييم النموذج.

تطبيقات تجزئة النسخ المدعومة بواسطة Ultralytics YOLO11#

يمكن استخدام تجزئة المثيلات لحل التحديات الواقعية من خلال مساعدة الآلات على رؤية وفهم الكائنات بدقة أكبر. من تحسين الأتمتة إلى حماية البيئة، تلعب هذه التقنية دوراً رئيسياً في العديد من المجالات. دعنا نستعرض بعض الأمثلة حيث تُحدث تأثيراً.

سلامة مواقع البناء والمراقبة باستخدام Ultralytics YOLO11#

يمكن أن تكون تجزئة المثيلات جزءاً حيوياً لضمان السلامة والكفاءة في مواقع البناء. على سبيل المثال، يمكن استخدامها لمراقبة الآلات الثقيلة.

يمكن إجراء ضبط دقيق لـ Ultralytics YOLO11 لتجزئة وتحديد أنواع مختلفة من المعدات بدقة، مثل الرافعات، والحفارات، والجرافات، وتتبع مواقعها في الوقت الفعلي. يتيح ذلك لمديري الموقع التأكد من أن الآلات تعمل بدقة داخل المناطق المخصصة ولا تتعدى على المناطق التي يتواجد فيها العمال یا توجد بها مخاطر.

أيضاً، يتيح دمج مثل هذه الحلول مع أنظمة التنبيه في الوقت الفعلي اتخاذ إجراءات تصحيحية سريعة. وعلاوة على ذلك، يمكن أن تساعد الرؤى المجمعة في تحسين تخطيط الموقع وسير العمل، مما يقلل من المخاطر ويعزز الإنتاجية بشكل أكبر.

Fig 5. مراقبة الآلات الثقيلة باستخدام Ultralytics YOLO11.

مراقبة الحيوانات باستخدام التجزئة و Ultralytics YOLO11#

تساعد Animal behavior monitoring الباحثين والمزارعين وعلماء الحفاظ على البيئة على رعاية الحيوانات بشكل أفضل في بيئات مختلفة. تلعب تجزئة المثيلات دوراً مفيداً في هذه الأنظمة من خلال تحديد وتجزئة الحيوانات الفردية في المزارع، وحدائق الحيوان، والموائل الطبيعية. على عكس اكتشاف الكائنات التقليدي الذي يستخدم مربعات الإحيطة، توفر تجزئة المثيلات تخطيطاً على مستوى البكسل لكل حيوان، وهو أمر مفيد بشكل خاص عندما تكون الحيوانات على مقربة من بعضها البعض.

تسهل التجزئة التفصيلية تتبعاً أكثر دقة للحركات والسلوكيات. يمكن التعرف بوضوح على الحيوانات المتداخلة أو المتجمعة بشكل وثيق، مما يوفر تحليلاً أكثر دقة للتفاعلات، وتقييمات الحالة الصحية، وأنماط النشاط. وبشكل عام، تعزز الرؤى الأعمق حول سلوك الحيوان ممارسات رعاية وإدارة الحيوانات.

Fig 6. مراقبة الماشية باستخدام تجزئة المثيلات.

Ultralytics YOLO11 في تحليل الرياضات وتتبع اللاعبين#

يعد التتبع الدقيق للاعبين والأحداث جزءاً كبيراً من تحليل الرياضة. تعتمد طرق التتبع التقليدية على الوسم اليدوي، والذي قد لا يلتقط التفاعلات المفصلة. يمكن استخدام الرؤية الحاسوبية لتجزئة تفاصيل مثل كل لاعب، والكرة، والحدث الرئيسي على مستوى البكسل للحصول على رؤى مفصلة.

على سبيل المثال، يمكن أن تساعد تجزئة النسخ في اكتشاف أحداث مثل الأخطاء أو الحوادث التي تقع بعيدًا عن الكرة عن طريق فصل كل لاعب وعنصر بوضوح. يوفر هذا الرصد الدقيق الذي تتيحه نماذج مثل Ultralytics YOLO11 للمحللين معلومات أكثر وضوحًا لدراسة أنماط الحركة، والموقع المكاني، والتفاعلات بدقة عالية. تتمثل إحدى الفوائد الرئيسية لهذه الرؤى في أنها تساعد الفرق على تحسين استراتيجياتها وتعزيز الأداء العام.

إيجابيات وسلبيات تجزئة المثيلات#

إليك بعض الفوائد الرئيسية التي يمكن أن تجلبها تجزئة المثيلات لمختلف الصناعات:

• أتمتة محسنة: من خلال أتمتة مهام مثل مراقبة الجودة ومراقبة السلامة، تقلل تجزئة المثيلات من الحاجة إلى التدخل اليدوي وتقلل من الخطأ البشري.
• فهم أفضل للمشهد: من خلال تحديد خطوط كل كائن بدقة، تساهم تجزئة المثيلات في فهم أعمق للمشاهد المعقدة، مما يدعم اتخاذ قرارات أكثر استنارة.
• معالجة لاحقة فعالة: تبسط المخرجات على مستوى البكسل مهام مثل إزالة الخلفية، وعد الكائنات، والتحليل المكاني، مما يقلل من الحاجة إلى خطوات معالجة إضافية.

في حين أن هذه الفوائد تسلط الضوء على كيفية تأثير تجزئة المثيلات على حالات الاستخدام المختلفة، فمن الضروري أيضاً مراعاة التحديات التي ينطوي عليها تنفيذها.

إليك بعض القيود الرئيسية لتجزئة المثيلات:

• تحديات الشفافية: يعد تجزئة الكائنات الشفافة أو العاكسة مثل الزجاج والماء أمراً صعباً، مما يؤدي إلى حدود غير دقيقة.
• تكاليف الصيانة: للحفاظ على دقة النماذج وأهميتها، تعد التحديثات المستمرة والضبط الدقيق ضرورية مع تغير الظروف البيئية ومجموعات البيانات.
• جهد تصنيف عالٍ: يتطلب تدريب نماذج تجزئة المثيلات تصنيفات مفصلة على مستوى البكسل، مما يزيد بشكل كبير من الوقت والتكلفة التي ينطوي عليها إعداد البيانات.

أبرز النقاط#

تجعل تجزئة المثيلات من الممكن التمييز بين الكائنات الفردية بدقة، حتى عندما تتداخل. ومن خلال التقاط حدود الكائنات على مستوى البكسل، فإنها توفر فهماً أعمق للبيانات البصرية مقارنة بمهام الرؤية الحاسوبية التقليدية مثل كشف الكائنات.

لقد جعلت التطورات الأخيرة في الرؤية الحاسوبية تجزئة المثيلات أسرع وأسهل في الاستخدام. وبشكل خاص، تعمل نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 على تبسيط العملية، مما يتيح التجزئة في الوقت الفعلي بأقل قدر من الإعداد، مما يجعلها أكثر سهولة لمختلف الصناعات والتطبيقات.

هل أنت فضولي بشأن الذكاء الاصطناعي؟ تفضل بزيارة our GitHub repository وتواصل مع our community لمواصلة الاستكشاف. وتعرّف على الابتكارات مثل AI in self-driving cars وvision AI in agriculture على صفحات الحلول الخاصة بنا. وتحقق من our licensing options وابدأ في مشروع رؤية حاسوبية!