ما هي تجزئة المثال؟ دليل سريع

أصبحت تطبيقات الرؤية الحاسوبية أكثر شيوعاً في حياتنا اليومية، بدءاً من كاميرات المرور التي تراقب ظروف الطرق وصولاً إلى أنظمة الدفع الذاتي في المتاجر. ومن خلال تمكين الآلات من فهم البيانات البصرية بطريقة مشابهة للبشر، يُحدث ذكاء الرؤية الاصطناعي تأثيراً في مجموعة واسعة من الصناعات.

تعتمد العديد من هذه التطبيقات على كشف الكائنات، وهي مهمة رؤية حاسوبية تضع صناديق إحاطة حول الكائنات الرئيسية في الصور. وعلى الرغم من أن هذا النهج يعمل بشكل جيد في كثير من الأحيان، إلا أن 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 حيث لا يكفي اكتشاف الكائنات - فهي توفر دقة على مستوى البكسل. يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لتطبيق تجزئة المثيلات على الصور ومقاطع الفيديو بسهولة.

الشكل 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.

Link to this sectionما 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، يشبه تجزئة المثيلات التتبع الدقيق حول كل شخص حتى تتمكن من رؤية خطوطه الخارجية الكاملة، حتى لو تداخلوا. بدلاً من مجرد تحديد مكان وجود شيء ما بصندوق، 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. استعراض دعم YOLO11 لتجزئة المثيلات.

Link to this sectionتجزئة المثيلات مقابل التجزئة الدلالية#

أثناء استكشاف تجزئة المثيلات، قد تصادف مفهوم التجزئة الدلالية.

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.

الشكل 3. تجزئة المثيلات مقابل التجزئة الدلالية (يمين ويسار على التوالي).

Link to this sectionنماذج 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.

أيضاً، تطورت هذه النماذج بشكل كبير على مر السنين. على سبيل المثال، قام Ultralytics YOLOv5 بتبسيط النشر باستخدام أطر عمل مثل PyTorch، مما جعل ذكاء الرؤية الاصطناعي المتقدم متاحاً لجمهور 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، يرتقي YOLO11 بالأداء إلى مستوى جديد. فهو يحقق دقة متوسطة أعلى (mAP) على مجموعة بيانات COCO مع عدد أقل من المعلمات بنسبة 22% مقارنة بـ YOLOv8m، مما يعني أنه يمكنه التعرف على الكائنات بدقة أكبر مع استخدام موارد أقل.

الشكل 4. قياس أداء YOLO11.

ببساطة، يقدم YOLO11 دقة متطورة دون المساومة على الكفاءة، مما يجعله نقلة نوعية في هذا المجال.

Link to this sectionفهم كيفية عمل تجزئة المثيلات#

بعد ذلك، دعنا نستكشف كيف تعمل تجزئة المثيلات عادةً. تستخدم نماذج الرؤية الحاسوبية القديمة نهجاً من خطوتين.

أولاً، تكتشف الكائنات عن طريق رسم صناديق إحاطة حولها. ثم، تولد قناعاً على مستوى البكسل لتحديد الشكل الدقيق لكل كائن. مثال معروف هو Mask R-CNN، الذي يبني على نماذج كشف الكائنات عن طريق إضافة خطوة تنبؤ بالقناع. على الرغم من أن هذه الطريقة فعالة، إلا أنها قد تكون بطيئة لأنها تعالج الصورة في مراحل متعددة، مما يجعل التطبيقات في الوقت الفعلي أكثر تحدياً.

في غضون ذلك، تعالج نماذج مثل YOLO11 الصور في مرحلة واحدة، حيث تتنبأ في نفس الوقت بصناديق إحاطة الكائنات وأقنعة تجزئة المثيلات. هذا النهج الانسيابي يجعله 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 والدقة أمراً بالغ الأهمية.

Link to this sectionتدريب YOLO11 المخصص لتجزئة المثيلات#

يأتي YOLO11 كنموذج مدرب مسبقاً وجاهز للاستخدام. وقد تم تدريبه على مجموعة بيانات COCO-Seg، والتي تغطي الكائنات اليومية لتجزئة المثيلات. ومع ذلك، تدعم حزمة Ultralytics Python التدريب المخصص، وهو أمر ضروري للتطبيقات المتخصصة حيث يجب تجزئة كائنات فريدة.

لماذا يعد التدريب المخصص أو الضبط الدقيق للنموذج مهماً؟ يستفيد التدريب المخصص من التعلم بنقل المعرفة من خلال البناء على المعرفة المضمنة بالفعل في النماذج المدربة مسبقاً. بدلاً من البدء من الصفر، فإنه يقوم بتكييف نموذج موجود لمهام جديدة باستخدام مجموعات بيانات أصغر وموارد حوسبة أقل، كل ذلك مع الحفاظ على دقة عالية.

Link to this sectionكيفية تدريب YOLO11 بشكل مخصص#

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

• إعداد البيانات: جمع وتصنيف الصور بناءً على تطبيقك المحدد. توفر Ultralytics الدعم لعدة مجموعات بيانات صور، ولكن يمكنك أيضاً التدريب باستخدام مجموعة بياناتك الخاصة من خلال إعداد الصور والتصنيفات 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.

Link to this sectionتطبيقات تجزئة المثيلات التي يدعمها 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.

Link to this sectionسلامة مواقع البناء والمراقبة باستخدام YOLO11#

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

يمكن ضبط YOLO11 بدقة لتجزئة وتحديد أنواع مختلفة من المعدات، مثل الرافعات، والحفارات، والجرافات، وتتبع مواقعها في الوقت الفعلي. يسمح هذا لمديري الموقع بالتأكد من أن الآلات تعمل بدقة داخل المناطق المخصصة ولا تتعدى على المناطق التي يتواجد فيها العمال أو توجد فيها 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.

الشكل 5. مراقبة الآلات الثقيلة باستخدام YOLO11.

Link to this sectionمراقبة الحيوانات باستخدام التجزئة و YOLO11#

تساعد مراقبة سلوك الحيوانات الباحثين والمزارعين وخبراء الحفاظ على البيئة في 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 كشف الكائنات التقليدي الذي يستخدم صناديق الإحاطة، توفر تجزئة المثيلات تحديداً دقيقاً على مستوى البكسل لكل حيوان، وهو أمر مفيد بشكل خاص عندما تكون الحيوانات قريبة 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.

الشكل 6. مراقبة الماشية باستخدام تجزئة المثيلات.

Link to this sectionYOLO11 في تحليل الرياضة 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 المثيلات في اكتشاف أحداث مثل الأخطاء أو الحوادث خارج الكرة من خلال فصل كل لاعب وكائن بوضوح. توفر هذه المراقبة الدقيقة التي تتيحها نماذج مثل YOLO11 للمحللين معلومات أوضح لدراسة أنماط الحركة، والتمركز المكاني، والتفاعلات بدقة عالية. تتمثل الفائدة الرئيسية لهذه الرؤى في أنها تساعد الفرق على تحسين استراتيجياتها وتعزيز الأداء العام.

Link to this sectionإيجابيات 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.

Link to this sectionأبرز 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 تشعر بالفضول تجاه الذكاء الاصطناعي؟ قم بزيارة مستودع GitHub الخاص بنا وتواصل مع مجتمعنا لمواصلة الاستكشاف. تعرف على ابتكارات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة و ذكاء الرؤية الاصطناعي في الزراعة على صفحات حلولنا. اطلع على خيارات الترخيص الخاصة بنا وابدأ في مشروع رؤية حاسوبية!