ما هو تقسيم المثيلات؟ دليل سريع

أصبحت تطبيقات الرؤية الحاسوبية أكثر شيوعًا في حياتنا اليومية، بدءًا من كاميرات المرور التي تراقب أحوال الطرق ووصولًا إلى أنظمة الدفع الذاتي في المتاجر. ومن خلال تمكين الآلات من فهم البيانات المرئية بطريقة مشابهة للبشر، يُحدث الذكاء الاصطناعي للرؤية تأثيرًا في مجموعة متنوعة من الصناعات.

تعتمد العديد من هذه التطبيقات على اكتشاف الكائنات، وهي مهمة من مهام الرؤية الحاسوبية تضع مربعات إحاطة حول الكائنات الأساسية في الصور. وعلى الرغم من أن هذا النهج يحقق نتائج جيدة غالبًا، فإن بعض حلول تحليل الصور تحتاج إلى دقة أكبر.

على سبيل المثال، تتطلب التصويرات الطبية أكثر من مجرد اكتشاف ورم؛ فمن الضروري تحديد شكله الدقيق. وبالمثل، تحتاج الآلات في مجال الروبوتات إلى التعرّف على المحيط الدقيق للكائن حتى تتمكن من إمساكه بطريقة صحيحة. ولمعالجة هذه التحديات، يوفر تقسيم المثيلات حلًا أكثر دقة.

تقسيم المثيلات هو مهمة من مهام الرؤية الحاسوبية صُممت 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، سنوضح كيفية عمل تقسيم المثيلات وتطبيقاته، وكيف يمكن تدريب Ultralytics YOLO11 مخصصًا لمهام تقسيم محددة.

ما هو تقسيم المثيلات؟#

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

أما تقسيم المثيلات، فيشبه رسم حدود كل شخص بعناية حتى تتمكن من رؤية محيطه الكامل، حتى في حال تداخل الأشخاص. فبدلًا من تحديد موضع شيء ما باستخدام مربع فقط، يحدد الشكل الدقيق لكل كائن على مستوى البكسل، مما يسهل فهم الصور المعقدة.

والنتيجة هي قناع مفصل يملأ شكل الكائن ويحدد بدقة البكسلات التي تنتمي إليه. وتفيد هذه الدرجة من الدقة في العديد من التطبيقات الواقعية التي يكون فيها فهم الشكل الدقيق للكائنات وحدودها أمرًا 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. إذ يضع التقسيم الدلالي تسمية لكل بكسل استنادًا إلى فئته، ويجمع جميع الكائنات من النوع نفسه معًا. فعلى سبيل المثال، في صورة تحتوي على عدة سيارات، سيضع التقسيم الدلالي تسمية "سيارة" لجميع السيارات دون التمييز بين المركبات الفردية.

أما تقسيم المثيلات، فيتقدم خطوة أخرى من خلال تحديد كل كائن على حدة. فهو يعيّن تسميات فريدة للمثيلات الفردية وينشئ أقنعة دقيقة حول أشكالها. لذلك، في الصورة نفسها، لن يضع تقسيم المثيلات تسمية "سيارة" لكل شيء فحسب، بل سيتعرف على كل سيارة ويحدد حدودها بشكل منفصل.

يتمثل الفرق الرئيسي بينهما في أن التقسيم الدلالي يجمع الكائنات حسب الفئة، بينما يميز تقسيم المثيلات كل كائن باعتباره كيانًا فريدًا ذا حدود واضحة. ويعتمد اختيار المهمة المناسبة على التطبيق المحدد، أي على ما إذا كان يكفي معرفة ما يوجد في الصورة أو ما إذا كان من المهم التمييز بين الكائنات الفردية.

الشكل 3. تقسيم المثيلات مقابل التقسيم الدلالي (يمينًا ويسارًا على التوالي).

نماذج تقسيم المثيلات الشائعة#

تتوفر اليوم نماذج متنوعة لتقسيم المثيلات لمجتمع الذكاء الاصطناعي للرؤية. فبعضها أسرع، وبعضها أكثر دقة، وبعضها أسهل استخدامًا.

ومع أن هذه الخيارات مفيدة، فإنها قد تثير سؤالًا: أيها مناسب للاستخدام في مهمة محددة؟ ومن بين هذه الخيارات، تحظى نماذج Ultralytics YOLO بشعبية كبيرة لأنها تركز على السرعة والدقة.

كذلك، تطورت هذه النماذج تطورًا ملحوظًا على مر السنين. فعلى سبيل المثال، بسّط Ultralytics YOLOv5 عملية النشر باستخدام أطر عمل مثل PyTorch، مما أتاح الذكاء الاصطناعي المتقدم للرؤية لشريحة أوسع من المستخدمين دون الحاجة إلى خبرة تقنية عميقة.

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

أما الآن، فيرتقي Ultralytics YOLO11 بالأداء إلى مستوى جديد. إذ يحقق متوسط دقة أكبر (mAP) على مجموعة بيانات COCO باستخدام عدد أقل من المعلمات بنسبة 22% مقارنةً بـ YOLOv8m، ما يعني أنه يستطيع التعرف على الكائنات بدقة أكبر مع استخدام موارد أقل.

الشكل 4. قياس أداء YOLO11.

وباختصار، يقدم Ultralytics YOLO11 دقة متطورة دون التضحية بالكفاءة، مما يجعله نقلة نوعية في هذا المجال.

فهم كيفية عمل تقسيم المثيلات#

لنستكشف بعد ذلك كيفية عمل تقسيم المثيلات عادةً. تستخدم نماذج الرؤية الحاسوبية الأقدم نهجًا من خطوتين.

أولًا، تكتشف الكائنات من خلال رسم مربعات إحاطة حولها. ثم تنشئ قناعًا على مستوى البكسل لتحديد الشكل الدقيق لكل كائن. ومن الأمثلة المعروفة Mask R-CNN، الذي يبني على نماذج اكتشاف الكائنات من خلال إضافة خطوة للتنبؤ بالقناع. وعلى الرغم من فعالية هذه الطريقة، فإنها قد تكون بطيئة لأنها تعالج الصورة على مراحل متعددة، مما يجعل تطبيقات الوقت الفعلي أكثر تحديًا.

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

التدريب المخصص لـ Ultralytics YOLO11 لتقسيم المثيلات#

يأتي YOLO11، في صورته الجاهزة، نموذجًا مُدرّبًا مسبقًا. وقد دُرّب على مجموعة بيانات COCO-Seg، التي تغطي الكائنات اليومية لتقسيم المثيلات. ومع ذلك، تدعم حزمة Ultralytics Python التدريب المخصص، وهو أمر ضروري للتطبيقات المتخصصة التي تحتاج إلى تقسيم كائنات فريدة.

لماذا يُعد التدريب المخصص أو الضبط الدقيق للنموذج مهمًا؟ يستفيد التدريب المخصص من التعلم بالنقل عبر البناء على المعرفة المضمنة مسبقًا في النماذج المُدرّبة. فبدلًا من البدء من الصفر، يكيّف نموذجًا موجودًا مع مهام جديدة باستخدام مجموعات بيانات أصغر وموارد حوسبة أقل، مع الحفاظ على دقة عالية.

كيفية إجراء تدريب مخصص لـ Ultralytics YOLO11#

إليك نظرة أقرب على الخطوات اللازمة للضبط الدقيق لـ Ultralytics YOLO11 لتقسيم المثيلات:

• إعداد البيانات: اجمع الصور وعلّق عليها استنادًا إلى تطبيقك المحدد. توفر Ultralytics دعمًا للعديد من مجموعات بيانات الصور، كما يمكنك التدريب باستخدام مجموعة البيانات الخاصة بك من خلال إعداد الصور والتعليقات التوضيحية بتنسيق YOLO المطلوب.
• استخدام نموذج مُدرّب مسبقًا: بدلًا من البدء من الصفر، استخدم نموذج Ultralytics YOLO11 مُدرّبًا مسبقًا.
• تدريب النموذج: اضبط إعدادات التدريب الأساسية مثل حجم الدفعة (الصور التي تتم معالجتها 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 أداء مثل mAP. كما توفر حزمة Ultralytics Python دوال مدمجة لتقييم النموذج.

تطبيقات تقسيم المثيلات التي يتيحها Ultralytics YOLO11#

يمكن استخدام تقسيم المثيلات لحل تحديات واقعية من خلال مساعدة الآلات على رؤية الكائنات وفهمها بدقة أكبر. ومن تحسين الأتمتة إلى حماية البيئة، يؤدي هذا التقسيم دورًا رئيسيًا في العديد من المجالات. لنستعرض بعض الأمثلة على المجالات التي يُحدث فيها تأثيرًا.

سلامة مواقع الإنشاء ومراقبتها باستخدام Ultralytics YOLO11#

يمكن أن يكون تقسيم المثيلات جزءًا أساسيًا من ضمان السلامة والكفاءة في مواقع الإنشاء. فعلى سبيل المثال، يمكن استخدامه لمراقبة الآليات الثقيلة.

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

كذلك، يتيح دمج هذه الحلول مع أنظمة التنبيه في الوقت الفعلي اتخاذ إجراءات تصحيحية سريعة. وإضافة إلى ذلك، يمكن للرؤى المجمعة أن تساعد على تحسين تخطيط الموقع وسير العمل، مما يقلل المخاطر ويعزز الإنتاجية بشكل أكبر.

الشكل 5. مراقبة الآليات الثقيلة باستخدام Ultralytics YOLO11.

مراقبة الحيوانات باستخدام التقسيم وUltralytics YOLO11#

تساعد مراقبة سلوك الحيوانات الباحثين والمزارعين وخبراء الحفاظ على البيئة على رعاية الحيوانات بصورة أفضل في بيئات مختلفة. ويؤدي تقسيم المثيلات دورًا مفيدًا في هذه الأنظمة من خلال تحديد الحيوانات الفردية وتقسيمها في المزارع وحدائق الحيوانات والموائل الطبيعية. وخلافًا لاكتشاف الكائنات التقليدي الذي يستخدم مربعات الإحاطة، يوفر تقسيم المثيلات تحديدًا دقيقًا لكل حيوان على مستوى البكسل، وهو أمر مفيد خصوصًا عندما تكون الحيوانات متقاربة.

يسهّل التقسيم المفصل تتبع الحركات والسلوكيات بدقة أكبر. ويمكن التعرّف بوضوح على الحيوانات المتداخلة أو المتجمعة عن قرب، مما يوفر تحليلًا أدق للتفاعلات والتقييمات الصحية وأنماط النشاط. وبوجه عام، تعزز الرؤى الأعمق لسلوك الحيوانات ممارسات رعايتها وإدارتها.

الشكل 6. مراقبة الماشية باستخدام تقسيم المثيلات.

Ultralytics YOLO11 في التحليلات الرياضية وتتبع اللاعبين#

يُعد التتبع الدقيق للاعبين والأحداث جزءًا كبيرًا من التحليل الرياضي. وتعتمد أساليب التتبع التقليدية على وضع علامات يدويًا، وهو ما قد لا يرصد التفاعلات التفصيلية. ويمكن استخدام الرؤية الحاسوبية لتقسيم تفاصيل مثل كل لاعب والكرة والحدث الرئيسي على مستوى البكسل، بهدف الحصول على رؤى مفصلة.

فعلى سبيل المثال، يمكن لتقسيم المثيلات أن يساعد على اكتشاف أحداث مثل الأخطاء أو الوقائع التي تحدث بعيدًا عن الكرة من خلال 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 الرئيسية لهذه الرؤى أنها تساعد الفرق على تحسين استراتيجياتها وتعزيز أدائها العام.

إيجابيات وسلبيات تقسيم المثيلات#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن يقدمها تقسيم المثيلات لمختلف الصناعات:

• تحسين الأتمتة: من خلال أتمتة مهام مثل مراقبة الجودة والسلامة، يقلل تقسيم المثيلات الحاجة إلى التدخل اليدوي ويحد من الأخطاء البشرية.
• فهم أفضل للمشهد: من خلال تحديد حدود كل كائن بدقة، يسهم تقسيم المثيلات في فهم أعمق للمشاهد المعقدة، ويدعم اتخاذ قرارات أكثر استنارة.
• معالجة لاحقة فعّالة: يبسّط الناتج على مستوى البكسل مهام مثل إزالة الخلفية وعدّ الكائنات والتحليل المكاني، مما يقلل الحاجة إلى خطوات معالجة إضافية.

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

فيما يلي بعض القيود الرئيسية لتقسيم المثيلات:

• تحديات الشفافية: يصعب تقسيم الكائنات الشفافة أو العاكسة مثل الزجاج والماء، مما يؤدي إلى حدود غير دقيقة.
• أعباء الصيانة: للحفاظ على دقة النماذج وملاءمتها، من الضروري إجراء تحديثات وضبط دقيق مستمرين مع تغير الظروف البيئية ومجموعات البيانات.
• جهد كبير للتعليق التوضيحي: يتطلب تدريب نماذج تقسيم المثيلات تعليقات توضيحية مفصلة على مستوى البكسل، مما يزيد بدرجة كبيرة الوقت والتكلفة اللازمين لإعداد البيانات.

أهم النقاط المستخلصة#

يجعل تقسيم المثيلات من الممكن التمييز بين الكائنات الفردية بدقة، حتى عند تداخلها. ومن خلال تحديد حدود الكائنات على مستوى البكسل، فإنه 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، تبسّط نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 العملية، إذ تتيح التقسيم في الوقت الفعلي مع حد أدنى من الإعداد، مما يجعله أكثر سهولة لمختلف الصناعات 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!