ما تقسيم المثيلات؟ دليل موجز

أصبحت تطبيقات الرؤية الحاسوبية أكثر شيوعًا في حياتنا اليومية، من كاميرات المرور التي تراقب ظروف الطرق إلى أنظمة الدفع الذاتي في المتاجر. ومن خلال تمكين الآلات من فهم البيانات المرئية بطريقة مشابهة للبشر، يُحدث ذكاء الرؤية الاصطناعي أثرًا في مجموعة من القطاعات.

تعتمد كثير من هذه التطبيقات على اكتشاف الكائنات، وهي مهمة في الرؤية الحاسوبية ترسم مربعات إحاطة حول الكائنات الأساسية في الصور. ومع أن هذا النهج ينجح غالبًا، فإن بعض حلول تحليل الصور تحتاج إلى دقة أكبر.

فعلى سبيل المثال، يتطلب التصوير الطبي أكثر من مجرد اكتشاف الورم؛ إذ من الضروري تحديد شكله الدقيق. وبالمثل، تحتاج الآلات في مجال الروبوتات إلى التعرف على الخطوط الخارجية الدقيقة للكائن كي تمسكه على نحو صحيح. ولمواجهة هذه التحديات، يوفر تقسيم المثيلات حلًا أكثر دقة.

تقسيم المثيلات مهمة في الرؤية الحاسوبية مصممة لدعم حالات الاستخدام التي لا يكفي فيها اكتشاف الكائنات، إذ توفر دقة على مستوى البكسل. ويمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لتطبيق تقسيم المثيلات على الصور ومقاطع الفيديو بسهولة.

الشكل 1. مثال على استخدام YOLO11 لتقسيم المثيلات.

في هذا الدليل، سنشرح آلية عمل تقسيم المثيلات وتطبيقاته، وكيفية تدريب Ultralytics YOLO11 تدريبًا مخصصًا لمهام تقسيم محددة.

ما تقسيم المثيلات؟#

لنفترض وجود صورة جماعية لأشخاص يقفون متقاربين. يمكن لاكتشاف الكائنات أن يساعد في رسم مربعات حول كل شخص، لكنه لا يوضح الشكل الدقيق لكل منهم.

أما تقسيم المثيلات، فيشبه تتبع محيط كل شخص بعناية لتتمكن من رؤية شكله كاملًا، حتى عند تداخل الأشخاص. فبدلًا من مجرد تحديد موضع شيء ما بمربع، يحدد تقسيم المثيلات الشكل الدقيق لكل كائن على مستوى البكسل، ما يسهل فهم الصور المعقدة.

والنتيجة قناع مفصل يملأ شكل الكائن، ويحدد بدقة البكسلات التي تنتمي إليه. وتفيد هذه الدقة في كثير من التطبيقات الواقعية التي يكون فيها فهم الشكل الدقيق للكائنات وحدودها مهمًا.

الشكل 2. عرض دعم Ultralytics YOLO11 لتقسيم المثيلات.

تقسيم المثيلات مقابل التقسيم الدلالي#

أثناء استكشاف تقسيم المثيلات، قد تصادف مفهوم التقسيم الدلالي.

تساعد كلتا التقنيتين الحواسيب على فهم الصور على مستوى البكسل، لكن لكل منهما غرض مختلف. يضع التقسيم الدلالي تصنيفًا لكل بكسل وفقًا لفئته، ويجمع كل الكائنات من النوع نفسه معًا. فعلى سبيل المثال، في صورة تضم عدة سيارات، سيصنف التقسيم الدلالي جميعها على أنها «سيارة» دون تمييز المركبات عن بعضها.

أما تقسيم المثيلات، فيتجاوز ذلك خطوة إلى الأمام من خلال تحديد كل كائن على حدة. فهو يعين تسميات فريدة للمثيلات الفردية وينشئ أقنعة دقيقة حول أشكالها. لذلك، لن يكتفي تقسيم المثيلات في الصورة نفسها بتصنيف كل شيء على أنه «سيارة»، بل سيتعرف على كل سيارة ويحدد محيطها على حدة.

يتمثل الفرق الأساسي بين الطريقتين في أن التقسيم الدلالي يجمع الكائنات حسب الفئة، بينما يميز تقسيم المثيلات كل كائن بوصفه كيانًا فريدًا ذا حدود واضحة. ويعتمد اختيار المهمة على التطبيق المحدد: هل يكفي معرفة محتويات الصورة، أم أن التمييز بين الكائنات الفردية مهم؟

للمساعدة في تحديد المهمة التي يحتاج إليها مشروعك، راجع التقسيم الدلالي مقابل تقسيم المثيلات: كيفية الاختيار.

الشكل 3. تقسيم المثيلات مقابل التقسيم الدلالي (على اليمين واليسار، على التوالي).

نماذج شائعة لتقسيم المثيلات#

تتوفر اليوم نماذج متنوعة لتقسيم المثيلات لمجتمع الذكاء الاصطناعي للرؤية. بعضها أسرع، وبعضها أدق، وبعضها أسهل استخدامًا.

ورغم فائدة هذه الخيارات، فإنها تثير التساؤل حول الخيار الأنسب لمهمة محددة. وتحظى نماذج Ultralytics YOLO بشعبية كبيرة بين الخيارات لأنها تركز على السرعة والدقة.

كما تطورت هذه النماذج تطورًا ملحوظًا على مر السنين. فعلى سبيل المثال، سهّل Ultralytics YOLOv5 النشر باستخدام أطر عمل مثل PyTorch، ما أتاح الذكاء الاصطناعي المتقدم للرؤية لجمهور أوسع دون الحاجة إلى خبرة تقنية عميقة.

وبناءً على هذا النجاح، قدم Ultralytics YOLOv8 دعمًا محسنًا لمهام الرؤية الحاسوبية، مثل تقسيم المثيلات وتقدير الوضعية وتصنيف الصور.

ارتقى Ultralytics YOLO11 (الذي خلفه Ultralytics YOLO26) بالأداء إلى مستوى أعلى. فهو يحقق متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، مع استخدام معلمات أقل بنسبة 22% من YOLOv8m، ما يعني قدرته على التعرف على الأجسام بدقة أكبر مع استهلاك موارد أقل.

الشكل 4. قياس أداء YOLO11.

ببساطة، يقدم Ultralytics YOLO11 دقة تضاهي أحدث ما توصلت إليه التقنية دون المساس بالكفاءة.

فهم آلية عمل تقسيم المثيلات#

بعد ذلك، لنستكشف آلية عمل تقسيم الكائنات عادةً. تستخدم نماذج الرؤية الحاسوبية الأقدم نهجًا ثنائي المرحلة.

أولًا، تكتشف هذه النماذج الأجسام برسم مربعات إحاطة حولها. ثم تنشئ قناعًا على مستوى البكسل لتحديد الشكل الدقيق لكل جسم. ومن الأمثلة المعروفة Mask R-CNN، الذي يطوّر نماذج اكتشاف الأجسام بإضافة خطوة للتنبؤ بالقناع. ورغم فعالية هذه الطريقة، فقد تكون بطيئة لأنها تعالج الصورة على مراحل متعددة، ما يزيد صعوبة استخدامها في التطبيقات الآنية.

في المقابل، تعالج نماذج مثل Ultralytics YOLO11 الصور دفعة واحدة، وتتنبأ في الوقت نفسه بمربعات إحاطة الكائنات وأقنعة تقسيم المثيلات. ويجعل هذا النهج المبسط النموذج أسرع بكثير مع الحفاظ على دقة عالية. ولذلك فهو مفيد خصوصًا للتطبيقات الآنية، مثل القيادة الذاتية وتحليل الفيديو والروبوتات، حيث تكون السرعة والدقة ضروريتين.

التدريب المخصص لـ Ultralytics YOLO11 لتقسيم المثيلات#

يأتي YOLO11 جاهزًا للاستخدام في صورة نموذج مدرّب مسبقًا. وقد دُرّب على مجموعة بيانات COCO-Seg، التي تضم أجسامًا يومية لتقسيم الكائنات. ومع ذلك، تدعم حزمة Ultralytics Python التدريب المخصص، وهو أمر أساسي للتطبيقات المتخصصة التي تتطلب تقسيم أجسام فريدة.

ما أهمية التدريب المخصص أو الضبط الدقيق للنموذج؟ يستفيد التدريب المخصص من التعلم بالنقل، إذ يبني على المعرفة المضمنة مسبقًا في النماذج المدربة مسبقًا. وبدلًا من البدء من الصفر، يكيف نموذجًا موجودًا مع مهام جديدة باستخدام مجموعات بيانات أصغر وموارد حوسبة أقل، مع الحفاظ على دقة عالية.

كيفية تدريب Ultralytics YOLO11 تدريبًا مخصصًا#

إليك نظرة أقرب على الخطوات اللازمة لـالضبط الدقيق لـUltralytics YOLO11 لتقسيم الكائنات:

• إعداد البيانات: اجمع الصور وعلّق عليها بما يتناسب مع تطبيقك المحدد. توفر Ultralytics دعمًا لعدة مجموعات بيانات للصور، ويمكنك أيضًا التدريب باستخدام مجموعة بياناتك الخاصة عبر إعداد الصور والتعليقات التوضيحية بتنسيق YOLO المطلوب.
• استخدام نموذج مدرب مسبقًا: بدلًا من البدء من الصفر، استخدم نموذج Ultralytics YOLO11 مدربًا مسبقًا.
• تدريب النموذج: اضبط إعدادات التدريب الأساسية، مثل حجم الدفعة (عدد الصور التي تُعالج في كل تكرار) وحجم الصورة (دقة الإدخال المستهدفة) وعدد العصور (إجمالي دورات التدريب)، ثم درّب النموذج.
• تقييم الأداء: بعد اكتمال تدريب النموذج، يمكنك اختبار دقته باستخدام مقاييس الأداء مثل mAP. كما توفر حزمة Ultralytics Python وظائف مدمجة لتقييم النماذج.

تطبيقات تقسيم المثيلات التي يتيحها Ultralytics YOLO11#

يمكن استخدام تقسيم المثيلات لحل تحديات واقعية، إذ يساعد الآلات على رؤية الكائنات وفهمها بدقة أكبر. وله دور أساسي في مجالات عديدة، من تحسين الأتمتة إلى حماية البيئة. لنستعرض بعض الأمثلة على أثره.

السلامة والمراقبة في مواقع البناء باستخدام Ultralytics YOLO11#

قد يكون تقسيم المثيلات عنصرًا أساسيًا لضمان السلامة والكفاءة في مواقع البناء. فعلى سبيل المثال، يمكن استخدامه لمراقبة الآليات الثقيلة.

يمكن ضبط Ultralytics YOLO11 بدقة لتقسيم أنواع مختلفة من المعدات والتعرف عليها بدقة، مثل الرافعات والحفارات والجرافات، وتتبع مواقعها في الوقت الفعلي. ويسمح ذلك لمديري المواقع بالتأكد من أن الآليات تعمل ضمن المناطق المحددة بدقة، ولا تتعدى إلى المناطق التي يوجد فيها عمال أو مخاطر.

كذلك، يتيح دمج هذه الحلول مع أنظمة التنبيه الآني اتخاذ إجراءات تصحيحية سريعة. وإضافةً إلى ذلك، يمكن للرؤى المستخلصة أن تساعد على تحسين تخطيط الموقع وسير العمل، ما يقلل المخاطر ويعزز الإنتاجية.

الشكل 5. مراقبة الآليات الثقيلة باستخدام Ultralytics YOLO11.

مراقبة الحيوانات باستخدام التقسيم وUltralytics YOLO11#

تساعد مراقبة سلوك الحيوانات الباحثين والمزارعين والعاملين في الحفاظ على البيئة على رعاية الحيوانات على نحو أفضل في البيئات المختلفة. ويسهم تقسيم المثيلات في هذه الأنظمة عبر تحديد الحيوانات الفردية وتقسيمها في المزارع وحدائق الحيوان والموائل الطبيعية. وعلى خلاف اكتشاف الكائنات التقليدي الذي يستخدم مربعات الإحاطة، يوفر تقسيم المثيلات تحديدًا لكل حيوان على مستوى البكسل، وهو مفيد بوجه خاص عندما تكون الحيوانات متقاربة.

يتيح التقسيم التفصيلي تتبع الحركات والسلوكيات بدقة أكبر. ويمكن تمييز الحيوانات المتداخلة أو المتجمعة بعضها قرب بعض، ما يتيح تحليلًا أدق للتفاعلات والتقييمات الصحية وأنماط النشاط. وبوجه عام، تسهم الرؤى الأعمق لسلوك الحيوانات في تعزيز ممارسات رعايتها وإدارتها.

الشكل 6. مراقبة الأبقار باستخدام تقسيم المثيلات.

Ultralytics YOLO11 في التحليلات الرياضية وتتبع اللاعبين#

يُعد تتبع اللاعبين والأحداث بدقة جانبًا مهمًا جدًا من التحليل الرياضي. وتعتمد أساليب التتبع التقليدية على الوسم اليدوي، الذي قد لا يلتقط تفاصيل التفاعلات. ويمكن استخدام الرؤية الحاسوبية لتقسيم التفاصيل، مثل كل لاعب والكرة والأحداث الأساسية، على مستوى البكسل لاستخلاص رؤى مفصلة.

فعلى سبيل المثال، يمكن لتقسيم المثيلات المساعدة في اكتشاف أحداث مثل الأخطاء أو الوقائع التي تحدث بعيدًا عن الكرة، عبر فصل كل لاعب وكائن بوضوح. وتوفر هذه المراقبة الدقيقة، التي تتيحها نماذج مثل Ultralytics YOLO11، للمحللين معلومات أوضح لدراسة أنماط الحركة والتموضع المكاني والتفاعلات بدقة عالية. ومن الفوائد الأساسية لهذه الرؤى أنها تساعد الفرق على تحسين استراتيجياتها وتعزيز أدائها العام.

مزايا تقسيم المثيلات وعيوبه#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن يوفرها تقسيم المثيلات لمختلف القطاعات:

• تحسين الأتمتة: يقلل تقسيم المثيلات الحاجة إلى التدخل اليدوي ويحد من الأخطاء البشرية، من خلال أتمتة مهام مثل مراقبة الجودة والسلامة.
• فهم أفضل للمشهد: يسهم تقسيم المثيلات في فهم أعمق للمشاهد المعقدة، عبر تحديد محيط كل كائن بدقة، ما يدعم اتخاذ قرارات أكثر استنارة.
• معالجة لاحقة أكثر كفاءة: تسهل المخرجات على مستوى البكسل مهام مثل إزالة الخلفية وعدّ الكائنات والتحليل المكاني، وتقلل الحاجة إلى خطوات معالجة إضافية.

مع أن هذه الفوائد توضح أثر تقسيم المثيلات في حالات الاستخدام المختلفة، فمن الضروري أيضًا مراعاة التحديات المرتبطة بتنفيذه.

فيما يلي بعض القيود الرئيسية لتقسيم المثيلات:

• تحديات التعامل مع الشفافية: يصعب تقسيم الكائنات الشفافة أو العاكسة، مثل الزجاج والماء، ما يؤدي إلى حدود غير دقيقة.
• عبء الصيانة: للحفاظ على دقة النماذج وملاءمتها، يلزم تحديثها وضبطها باستمرار مع تغير الظروف البيئية ومجموعات البيانات.
• جهد كبير للتعليق التوضيحي: يتطلب تدريب نماذج تقسيم المثيلات تعليقات توضيحية مفصلة على مستوى البكسل، ما يزيد كثيرًا الوقت والتكلفة اللازمين لإعداد البيانات.

أبرز النقاط#

يتيح تقسيم المثيلات تمييز الكائنات الفردية بدقة، حتى عندما تتداخل. ومن خلال تحديد حدود الكائنات على مستوى البكسل، يوفر فهمًا أعمق للبيانات المرئية مقارنةً بمهام الرؤية الحاسوبية التقليدية، مثل اكتشاف الكائنات.

جعلت التطورات الحديثة في الرؤية الحاسوبية تقسيم المثيلات أسرع وأسهل استخدامًا. وعلى وجه الخصوص، تبسط نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 العملية، إذ تتيح التقسيم الآني بإعداد محدود، ما يجعله أكثر سهولة لمختلف القطاعات والتطبيقات.

هل يثير الذكاء الاصطناعي فضولك؟ تفضل بزيارة مستودعنا على GitHub وتواصل مع مجتمعنا لمواصلة الاستكشاف. تعرّف على ابتكارات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة والذكاء الاصطناعي للرؤية في الزراعة في صفحات حلولنا. اطّلع على خيارات الترخيص لدينا وابدأ مشروعًا في الرؤية الحاسوبية!