ما هو Mask R-CNN وكيف يعمل؟

الابتكارات مثل الروبوتات في المستودعات، والسيارات ذاتية القيادة التي تتحرك بأمان عبر الشوارع المزدحمة، والطائرات بدون طيار التي تفحص المحاصيل، وأنظمة الذكاء الاصطناعي التي تفحص المنتجات في المصانع أصبحت أكثر شيوعًا مع زيادة اعتماد الذكاء الاصطناعي. وتقنية رئيسية تدفع هذه الابتكارات هي computer vision، وهو فرع من الذكاء الاصطناعي يمكن الآلات من فهم البيانات المرئية وتفسيرها.

على سبيل المثال، يعد اكتشاف الكائنات مهمة في الرؤية الحاسوبية تساعد في تحديد وتحديد مواقع الكائنات في الصور باستخدام مربعات الإحاطة (bounding boxes). على الرغم من أن مربعات الإحاطة توفر معلومات مفيدة، إلا أنها تقدم تقديراً تقريبياً فقط لموقع الكائن ولا يمكنها التقاط شكله الدقيق أو حدوده. وهذا يجعلها أقل فعالية في التطبيقات التي تتطلب تحديداً دقيقاً.

لحل هذه المشكلة، طور الباحثون نماذج تجزئة (segmentation models) تلتقط الخطوط العريضة الدقيقة للكائنات، مما يوفر تفاصيل على مستوى البكسل لاكتشاف وتحليل أكثر دقة.

Mask R-CNN هو أحد هذه النماذج. تم تقديمه في عام 2017 بواسطة أبحاث الذكاء الاصطناعي في فيسبوك (FAIR)، وهو يعتمد على نماذج سابقة مثل R-CNN و Fast R-CNN و Faster R-CNN. وباعتباره علامة فارقة مهمة في تاريخ computer vision، فقد مهد Mask R-CNN الطريق لنماذج أكثر تقدماً، مثل Ultralytics YOLO11.

في هذه المقالة، سنستكشف ما هو Mask R-CNN، وكيف يعمل، وتطبيقاته، والتحسينات التي جاءت بعده، مما أدى إلى Ultralytics YOLO11.

نظرة عامة على Mask R-CNN#

Mask R-CNN، والذي يرمز إلى Mask Region-based Convolutional Neural Network، هو نموذج تعلم عميق مصمم computer vision tasks مثل اكتشاف الكائنات وتقسيم المثيلات.

تتجاوز تجزئة المثيلات اكتشاف الكائنات التقليدي ليس فقط من خلال تحديد الكائنات في الصورة ولكن أيضاً من خلال تحديد حدود كل منها بدقة. فهي تخصص تسمية فريدة لكل كائن مكتشف وتلتقط شكله الدقيق على مستوى البكسل. هذا النهج التفصيلي يجعل من الممكن التمييز بوضوح بين الكائنات المتداخلة والتعامل بدقة مع الأشكال المعقدة.

يعتمد Mask R-CNN على Faster R-CNN، الذي يكتشف الكائنات ويصنفها ولكنه لا يحدد أشكالها الدقيقة. يعمل Mask R-CNN على تحسين ذلك من خلال تحديد البكسلات الدقيقة التي تشكل كل كائن، مما يسمح بتحليل أكثر تفصيلاً ودقة للصور.

Fig 1. مقارنة اكتشاف الكائنات وتقسيم المثيلات.

نظرة على بنية Mask R-CNN وكيفية عمله#

يتبع Mask R-CNN نهجاً خطوة بخطوة لاكتشاف وتجزئة الكائنات بدقة. يبدأ باستخراج الميزات الرئيسية باستخدام شبكة عصبية عميقة (نموذج متعدد الطبقات يتعلم من البيانات)، ثم يحدد مناطق الكائنات المحتملة باستخدام شبكة اقتراح المنطقة (مكون يقترح مناطق الكائنات المحتملة)، وأخيراً يقوم بتحسين هذه المناطق من خلال إنشاء أقنعة تجزئة مفصلة (خطوط عريضة دقيقة للكائنات) تلتقط الشكل الدقيق لكل كائن.

بعد ذلك، سنستعرض كل خطوة للحصول على فكرة أفضل عن كيفية عمل Mask R-CNN.

شكل 2. نظرة عامة على بنية Mask R-CNN (المصدر: researchgate.net).

البدء باستخراج الميزات#

الخطوة الأولى في بنية Mask R-CNN هي تقسيم الصورة إلى أجزائها الرئيسية حتى يتمكن النموذج من فهم ما بداخلها. فكر في الأمر كما لو كنت تنظر إلى صورة وتلاحظ بشكل طبيعي تفاصيل مثل الأشكال والألوان والحواف. يقوم النموذج بشيء مشابه باستخدام شبكة عصبية عميقة تسمى "العمود الفقري" (غالباً ResNet-50 أو ResNet-101)، والتي تعمل مثل عينيه لمسح الصورة والتقاط التفاصيل الرئيسية.

نظراً لأن الكائنات في الصور يمكن أن تكون صغيرة جداً أو كبيرة جداً، يستخدم Mask R-CNN شبكة هرم الميزات (Feature Pyramid Network). هذا يشبه امتلاك عدسات مكبرة مختلفة تسمح للنموذج برؤية التفاصيل الدقيقة والصورة الأكبر، مما يضمن ملاحظة الكائنات بجميع أحجامها.

بمجرد features are extracted هذه الميزات المهمة، ينتقل النموذج بعد ذلك لتحديد مواقع الكائنات المحتملة في الصورة، مما يمهد الطريق لمزيد من التحليل.

اقتراح مناطق محتملة في الصورة تحتوي على كائنات#

بعد معالجة الصورة لاستخراج الميزات الرئيسية، تتولى شبكة اقتراح المنطقة (Region Proposal Network) المهمة. ينظر هذا الجزء من النموذج إلى الصورة ويقترح المناطق التي من المحتمل أن تحتوي على كائنات.

وهو يفعل ذلك عن طريق توليد مواقع متعددة محتملة للكائنات تسمى anchors. ثم تقيم الشبكة هذه الanchors وتختار الأكثر واعدة منها لمزيد من التحليل. وبهذه الطريقة، يركز النموذج فقط على المناطق الأكثر احتمالاً لأن تكون مثيرة للاهتمام، بدلاً من التحقق من كل نقطة على حده في الصورة.

Fig 3. مثال على شبكة مقترحات المناطق (Region Proposal Network).

تعزيز الميزات المستخرجة#

بعد تحديد المناطق الرئيسية، تتمثل الخطوة التالية في تحسين التفاصيل المستخرجة من هذه المناطق. استخدمت النماذج السابقة طريقة تسمى ROI Pooling (تجميع منطقة الاهتمام) لاقتطاع الميزات من كل منطقة، لكن هذه التقنية أدت أحياناً إلى محاذاة خاطئة طفيفة عند تغيير حجم المناطق، مما جعلها أقل فعالية - خاصة بالنسبة للكائنات الصغيرة أو المتداخلة.

يعمل Mask R-CNN على تحسين ذلك باستخدام تقنية تسمى ROI Align (محاذاة منطقة الاهتمام). بدلاً من تقريب الإحداثيات كما يفعل ROI Pooling، يستخدم ROI Align استيفاء ثنائي خطي (bilinear interpolation) لتقدير قيم البكسل بدقة أكبر. الاستيفاء ثنائي الخطي هو طريقة تحسب قيمة بكسل جديدة من خلال حساب متوسط قيم جيرانها الأربعة الأقرب، مما يخلق انتقالات أكثر سلاسة. هذا يحافظ على محاذاة الميزات بشكل صحيح مع الصورة الأصلية، مما يؤدي إلى اكتشاف وتجزئة أكثر دقة للكائنات.

على سبيل المثال، في مباراة كرة قدم، قد يتم الخلط بين لاعبين يقفان بالقرب من بعضهما البعض لأنهما يتداخلان في مربعات الإحاطة الخاصة بهما. يساعد ROI Align في فصلهما عن طريق الحفاظ على أشكالهما متميزة.

Fig 4. يستخدم Mask R-CNN تقنية ROI Align.

تصنيف الكائنات والتنبؤ بأقنعتها#

بمجرد معالجة الصورة بواسطة ROI Align، تكون الخطوة التالية هي تصنيف الكائنات وضبط مواقعها بدقة. ينظر النموذج إلى كل منطقة مستخرجة ويقرر ما هو الكائن الذي تحتوي عليه. ويخصص درجة احتمالية لفئات مختلفة ويختار أفضل تطابق.

في الوقت نفسه، يقوم بتعديل مربعات الإحاطة لتناسب الكائنات بشكل أفضل. قد لا تكون المربعات الأولية موضوعة بشكل مثالي، لذا يساعد هذا في تحسين الدقة من خلال التأكد من أن كل مربع يحيط بالكائن المكتشف بإحكام.

أخيرًا، يتخذ Mask R-CNN خطوة إضافية: فهو ينشئ segmentation mask مفصلاً لكل كائن بشكل متوازٍ.

Mask R-CNN وتطبيقاته في الوقت الفعلي#

عندما ظهر هذا النموذج، قوبل بالكثير من الحماس من مجتمع الذكاء الاصطناعي وتم استخدامه قريباً في تطبيقات مختلفة. إن قدرته على اكتشاف وتجزئة الكائنات في الوقت الفعلي جعلته مغيراً لقواعد اللعبة عبر مختلف الصناعات.

على سبيل المثال، tracking endangered animals في البرية يعد مهمة صعبة. تتحرك العديد من الأنواع عبر الغابات الكثيفة، مما يجعل من الصعب على دعاة الحفاظ على البيئة تتبعها. تستخدم الطرق التقليدية مصائد الكاميرات، والطائرات بدون طيار، وصور الأقمار الصناعية، ولكن فرز كل هذه البيانات يدويًا يستغرق وقتاً طويلاً. يمكن أن يؤدي سوء التعرف والمشاهدات الفائتة إلى إبطاء جهود الحفاظ على البيئة.

من خلال التعرف على ميزات فريدة مثل خطوط النمر، أو بقع الزرافة، أو شكل أذني الفيل، يمكن لـ Mask R-CNN اكتشاف وتجزئة الحيوانات في الصور ومقاطع الفيديو بدقة أكبر. حتى عندما تكون الحيوانات مخفية جزئياً بواسطة الأشجار أو تقف بالقرب من بعضها البعض، يمكن للنموذج فصلها وتحديد كل واحد على حدة، مما يجعل مراقبة الحياة البرية أسرع وأكثر موثوقية.

Fig 5. اكتشاف وتقسيم الحيوانات باستخدام Mask R-CNN.

قيود Mask R-CNN#

على الرغم من أهميته التاريخية في اكتشاف الكائنات وتجزئتها، إلا أن Mask R-CNN يأتي أيضاً مع بعض العيوب الرئيسية. إليك بعض التحديات المتعلقة بـ Mask R-CNN:

• High computational demand: يعتمد على وحدات معالجة رسومية (GPUs) قوية، مما قد يجعله مكلفًا في التشغيل وبطيئًا عند معالجة كميات كبيرة من البيانات.
• سرعة معالجة أبطأ: تجعل عمليته متعددة المراحل أبطأ مقارنة بنماذج الوقت الفعلي الأسرع مثل YOLO، والتي قد لا تكون مثالية للمهام الحساسة للوقت.
• الاعتماد على بيانات عالية الجودة: يعمل النموذج بشكل أفضل مع صور واضحة ومصنفة جيداً. الصور الضبابية أو ذات الإضاءة الضعيفة يمكن أن تقلل بشكل كبير من دقته.
• تنفيذ معقد: يمكن أن تكون البنية متعددة المراحل صعبة في الإعداد والتحسين، خاصة عند التعامل مع مجموعات بيانات كبيرة أو موارد محدودة.

من Mask R-CNN إلى Ultralytics YOLO11#

كان Mask R-CNN رائعاً لمهام التجزئة، لكن العديد من الصناعات كانت تتطلع إلى تبني الرؤية الحاسوبية مع إعطاء الأولوية للسرعة والأداء في الوقت الفعلي. قاد هذا المطلب الباحثين إلى تطوير نماذج من مرحلة واحدة تكتشف الكائنات في تمريرة واحدة، مما أدى إلى تحسين الكفاءة بشكل كبير.

على عكس عملية Mask R-CNN متعددة الخطوات، فإن computer vision models ذات المرحلة الواحدة مثل YOLO (You Only Look Once) تركز على مهام computer vision في الوقت الفعلي. بدلاً من التعامل مع الاكتشاف والتقسيم بشكل منفصل، يمكن لنماذج YOLO تحليل الصورة دفعة واحدة. هذا يجعلها مثالية للتطبيقات مثل القيادة الذاتية، والرعاية الصحية، والتصنيع، والروبوتات، حيث يكون اتخاذ القرار السريع أمرًا بالغ الأهمية.

على وجه الخصوص، تأخذ Ultralytics YOLO11 هذا الأمر خطوة أخرى إلى الأمام من خلال كونها سريعة ودقيقة في الوقت نفسه. فهي تستخدم معلمات أقل بنسبة 22% من نموذج YOLOv8m ولكنها لا تزال تحقق متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، مما يعني أنها تكتشف الكائنات بدقة أكبر. تجعلها سرعة معالجتها المحسنة خيارًا جيدًا للتطبيقات الفورية التي تعتد فيها كل جزء من الميلي ثانية.

Fig 6. أداء YOLO11 مقارنة بالنماذج الأخرى.

أبرز النقاط#

بالنظر إلى تاريخ الرؤية الحاسوبية، يُعترف بـ Mask R-CNN كاختراق رئيسي في اكتشاف الكائنات وتجزئتها. فهو يقدم نتائج دقيقة للغاية حتى في الإعدادات المعقدة، بفضل عمليته التفصيلية متعددة المراحل.

ومع ذلك، فإن هذه العملية نفسها تجعله أبطأ مقارنة بنماذج الوقت الفعلي مثل YOLO. مع تزايد الحاجة إلى السرعة والكفاءة، تستخدم العديد من التطبيقات الآن نماذج من مرحلة واحدة مثل Ultralytics YOLO11، والتي توفر اكتشافاً سريعاً ودقيقاً للكائنات. في حين أن Mask R-CNN مهم فيما يتعلق بفهم تطور الرؤية الحاسوبية، فإن الاتجاه نحو حلول الوقت الفعلي يسلط الضوء على الطلب المتزايد على حلول رؤية حاسوبية أسرع وأكثر كفاءة.

انضم إلى community النامية لدينا! استكشف GitHub repository الخاص بنا لمعرفة المزيد حول الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع رؤية الحاسوب الخاصة بك؟ تحقق من licensing options الخاصة بنا. اكتشف AI in agriculture وvision AI in healthcare من خلال زيارة صفحة الحلول الخاصة بنا!