بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
أصبحت الابتكارات مثل الروبوتات في المستودعات، والسيارات ذاتية القيادة التي تتحرك بأمان في الشوارع المزدحمة، والطائرات بدون طيار التي تتحقق من المحاصيل، وأنظمة الذكاء الاصطناعي التي تفحص المنتجات في المصانع أكثر شيوعًا مع زيادة اعتماد الذكاء الاصطناعي. إحدى التقنيات الرئيسية التي تدفع هذه الابتكارات هي الرؤية الحاسوبية (computer vision)، وهي فرع من فروع الذكاء الاصطناعي التي تمكن الآلات من فهم البيانات المرئية وتفسيرها.
على سبيل المثال، اكتشاف الأجسام هو مهمة رؤية حاسوبية تساعد في تحديد وتحديد مواقع الأجسام في الصور باستخدام مربعات إحاطة. في حين أن مربعات الإحاطة تقدم معلومات مفيدة، إلا أنها توفر تقديرًا تقريبيًا لموقع الجسم ولا يمكنها التقاط شكله أو حدوده الدقيقة. وهذا يجعلها أقل فعالية في التطبيقات التي تتطلب تحديدًا دقيقًا.
لحل هذه المشكلة، طور الباحثون نماذج تجزئة تلتقط الخطوط العريضة الدقيقة للكائنات، مما يوفر تفاصيل على مستوى البكسل لتحليل واكتشاف أكثر دقة.
Mask R-CNN هو أحد هذه النماذج. تم تقديمه في عام 2017 بواسطة Facebook AI Research (FAIR)، وهو يعتمد على نماذج سابقة مثل R-CNN و Fast R-CNN و Faster R-CNN. باعتباره علامة فارقة مهمة في تاريخ رؤية الكمبيوتر، مهد Mask R-CNN الطريق لنماذج أكثر تقدمًا، مثل Ultralytics YOLO11.
في هذه المقالة، سوف نستكشف ماهية Mask R-CNN، وكيفية عملها، وتطبيقاتها، والتحسينات التي طرأت عليها لاحقًا، مما أدى إلى YOLO11.
نظرة عامة على Mask R-CNN
Mask R-CNN، الذي يرمز إلى Mask Region-based Convolutional Neural Network، هو نموذج للتعلم العميق مصمم لمهام رؤية الكمبيوتر مثل اكتشاف الكائنات وتقسيم المثيلات.
يتجاوز تجزئة المثيل اكتشاف الكائنات التقليدي من خلال عدم تحديد الكائنات في الصورة فحسب، بل أيضًا تحديد كل كائن بدقة. يقوم بتعيين تسمية فريدة لكل كائن يتم اكتشافه ويلتقط 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 ويضع عليها علامات تعريفية ولكنه لا يحدد أشكالها الدقيقة. يقوم Mask R-CNN بتحسين ذلك من خلال تحديد وحدات البكسل الدقيقة التي تشكل كل كائن، مما يسمح بتحليل صور أكثر تفصيلاً ودقة.
الشكل 1. مقارنة بين الكشف عن الأجسام وتقسيم الحالات.
نظرة على بنية Mask R-CNN وكيفية عملها
يتبع Mask R-CNN نهجًا تدريجيًا لاكتشاف الكائنات وتقسيمها 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)، وأخيرًا يقوم بتحسين هذه المناطق عن طريق إنشاء أقنعة تقسيم مفصلة (خطوط عريضة دقيقة للكائنات) تلتقط الشكل الدقيق لكل كائن.
بعد ذلك، سوف نستعرض كل خطوة للحصول على فكرة أفضل عن كيفية عمل Mask R-CNN.
الشكل 2. نظرة عامة على بنية شبكة R-CNN القناع (المصدر: researchgate.net).
البدء باستخراج الميزات
تتمثل الخطوة الأولى في بنية Mask R-CNN في تقسيم الصورة إلى أجزائها الرئيسية حتى يتمكن النموذج من فهم محتواها. فكر في الأمر كما لو كنت تنظر إلى صورة وتلاحظ بشكل طبيعي تفاصيل مثل الأشكال والألوان والحواف. يفعل النموذج شيئًا مشابهًا باستخدام شبكة عصبية عميقة تسمى "العمود الفقري" (غالبًا ResNet-50 أو ResNet-101)، والتي تعمل كعيونه لمسح الصورة والتقاط التفاصيل الرئيسية.
نظرًا لأن الكائنات الموجودة في الصور يمكن أن تكون صغيرة جدًا أو كبيرة جدًا، فإن Mask R-CNN يستخدم شبكة Feature Pyramid Network. هذا يشبه وجود عدسات مكبرة مختلفة تتيح للنموذج رؤية التفاصيل الدقيقة والصورة الأكبر، مما يضمن ملاحظة الكائنات بجميع أحجامها.
بمجرد استخلاص 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 بحثًا عن الميزات الرئيسية، تتولى شبكة اقتراح المنطقة المسؤولية. ينظر هذا الجزء من النموذج إلى الصورة ويقترح المناطق التي من المحتمل أن تحتوي على كائنات.
يقوم بذلك عن طريق إنشاء مواقع كائنات محتملة متعددة تسمى المرتكزات (anchors). ثم تقوم الشبكة بتقييم هذه المرتكزات وتحديد أكثرها واعدة لمزيد من التحليل. بهذه الطريقة، يركز النموذج فقط على المناطق التي من المرجح أن تكون مثيرة للاهتمام، بدلاً من التحقق من كل بقعة في الصورة.
الشكل 3. مثال على شبكة اقتراح المنطقة (Region Proposal Network).
تحسين الميزات المستخرجة
مع تحديد المجالات الرئيسية، فإن الخطوة التالية هي تحسين التفاصيل المستخرجة من هذه المناطق. استخدمت النماذج السابقة طريقة تسمى ROI Pooling (تجميع مناطق الاهتمام) للحصول على ميزات من كل منطقة، ولكن هذه التقنية أدت أحيانًا إلى اختلالات طفيفة عند تغيير حجم المناطق، مما يجعلها أقل فعالية - خاصة بالنسبة للكائنات الأصغر أو المتداخلة.
يقوم Mask R-CNN بالتحسين على ذلك باستخدام تقنية تسمى ROI Align (محاذاة منطقة الاهتمام). بدلاً من تقريب الإحداثيات كما تفعل ROI Pooling، تستخدم ROI Align الاستيفاء الثنائي لتقدير قيم البكسل بدقة أكبر. الاستيفاء الثنائي هو طريقة تحسب قيمة بكسل جديدة عن طريق حساب متوسط قيم أقرب أربعة جيران لها، مما يخلق انتقالات أكثر سلاسة. يحافظ هذا على ميزات محاذية بشكل صحيح مع الصورة الأصلية، مما يؤدي إلى اكتشاف وتقسيم أكثر دقة للكائنات.
على سبيل المثال، في مباراة كرة قدم، قد يتم الخلط بين لاعبين يقفان بالقرب من بعضهما البعض بسبب تداخل مربعاتهما المحيطة. يساعد ROI Align على فصلهما عن طريق الحفاظ على أشكالهما مميزة.
بمجرد أن تعالج ROI Align الصورة، فإن الخطوة التالية هي تصنيف الكائنات وضبط مواقعها بدقة. ينظر النموذج إلى كل منطقة مستخرجة ويقرر الكائن الذي تحتويه. يقوم بتعيين درجة احتمالية لفئات مختلفة ويختار أفضل تطابق.
في الوقت نفسه، فإنه يضبط مربعات الإحاطة لتناسب الكائنات بشكل أفضل. قد لا يتم وضع المربعات الأولية في مكان مثالي، لذلك يساعد ذلك على تحسين الدقة من خلال التأكد من أن كل مربع يحيط بإحكام بالكائن المكتشف.
أخيرًا، تتخذ Mask R-CNN خطوة إضافية: فهي تنشئ قناع تجزئة مفصل لكل كائن بالتوازي.
Mask R-CNN وتطبيقاتها في الوقت الفعلي
عندما ظهر هذا النموذج، قوبل بالكثير من الإثارة من مجتمع الذكاء الاصطناعي وسرعان ما تم استخدامه في تطبيقات مختلفة. إن قدرته على اكتشاف وتقسيم الكائنات في الوقت الفعلي جعلته يغير قواعد اللعبة في مختلف الصناعات.
على سبيل المثال، تتبع الحيوانات المهددة بالانقراض في البرية 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 وقتًا طويلاً. يمكن أن يؤدي سوء التعريف وعمليات الرصد الفائتة إلى إبطاء جهود الحفظ.
من خلال التعرف على الميزات الفريدة مثل خطوط النمر أو بقع الزرافة أو شكل آذان الفيل، يمكن لـ Mask R-CNN اكتشاف الحيوانات وتقسيمها في الصور ومقاطع الفيديو بدقة أكبر. حتى عندما تكون الحيوانات مخفية جزئيًا بالأشجار أو تقف بالقرب من بعضها البعض، يمكن للنموذج فصلها وتحديد كل واحد على حدة، مما يجعل مراقبة الحياة البرية أسرع وأكثر موثوقية.
الشكل 5. الكشف عن الحيوانات وتجزئتها باستخدام Mask R-CNN.
محددات Mask R-CNN
على الرغم من أهميته التاريخية في اكتشاف الكائنات وتجزئتها، إلا أن Mask R-CNN يأتي أيضًا مع بعض العيوب الرئيسية. فيما يلي بعض التحديات المتعلقة بـ Mask R-CNN:
طلب حسابي كبير: يعتمد على وحدات معالجة الرسومات القوية (GPUs)، مما قد يجعله مكلفًا للتشغيل وبطيئًا عند معالجة كميات كبيرة من البيانات.
سرعة معالجة أبطأ: عمليتها متعددة المراحل تجعلها أبطأ مقارنة بالنماذج الأسرع في الوقت الفعلي مثل YOLO، والتي قد لا تكون مثالية للمهام الحساسة للوقت.
الاعتماد على بيانات عالية الجودة: يعمل النموذج بشكل أفضل مع الصور الواضحة والمصنفة جيدًا. يمكن للصور الضبابية أو ذات الإضاءة الضعيفة أن تقلل بشكل كبير من دقتها.
تنفيذ معقد: يمكن أن يكون تصميم البنية متعددة المراحل تحديًا في الإعداد والتحسين، خاصةً عند التعامل مع مجموعات بيانات كبيرة أو موارد محدودة.
من Mask R-CNN إلى Ultralytics YOLO11
كان Mask R-CNN رائعًا لمهام التقسيم، ولكن العديد من الصناعات كانت تتطلع إلى تبني رؤية الكمبيوتر مع إعطاء الأولوية للسرعة والأداء في الوقت الفعلي. أدت هذه المتطلبات إلى قيام الباحثين بتطوير نماذج ذات مرحلة واحدة تكتشف الكائنات في تمريرة واحدة، مما أدى إلى تحسين الكفاءة بشكل كبير.
على عكس عملية Mask R-CNN متعددة الخطوات، تركز نماذج رؤية الكمبيوتر ذات المرحلة الواحدة مثل YOLO (أنت تنظر مرة واحدة فقط) على مهام رؤية الكمبيوتر في الوقت الفعلي. بدلاً من التعامل مع الكشف والتجزئة بشكل منفصل، يمكن لنماذج YOLO تحليل الصورة دفعة واحدة. وهذا يجعلها مثالية لتطبيقات مثل القيادة الذاتية والرعاية الصحية والتصنيع والروبوتات، حيث يكون اتخاذ القرارات السريعة أمرًا بالغ الأهمية.
على وجه الخصوص، يأخذ YOLO11 هذا خطوة أخرى إلى الأمام من خلال كونه سريعًا ودقيقًا. يستخدم عددًا أقل من المعلمات بنسبة 22٪ مقارنة بـ YOLOv8m ولكنه لا يزال يحقق متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، مما يعني أنه يكتشف الكائنات بدقة أكبر. إن سرعة المعالجة المحسنة تجعله خيارًا جيدًا للتطبيقات في الوقت الفعلي حيث يهم كل جزء من الثانية.
بالنظر إلى تاريخ رؤية الكمبيوتر، يُعتبر Mask R-CNN بمثابة إنجاز كبير في الكشف عن الكائنات وتجزئتها. فهو يقدم نتائج دقيقة للغاية حتى في الإعدادات المعقدة، وذلك بفضل عمليته التفصيلية متعددة الخطوات.
ومع ذلك، فإن هذه العملية نفسها تجعلها أبطأ مقارنة بالنماذج في الوقت الفعلي مثل YOLO. مع تزايد الحاجة إلى السرعة والكفاءة، تستخدم العديد من التطبيقات الآن نماذج ذات مرحلة واحدة مثل Ultralytics YOLO11، والتي توفر اكتشافًا سريعًا ودقيقًا للكائنات. في حين أن Mask R-CNN مهم فيما يتعلق بفهم تطور رؤية الكمبيوتر، إلا أن الاتجاه نحو الحلول في الوقت الفعلي يسلط الضوء على الطلب المتزايد على حلول رؤية الكمبيوتر الأسرع والأكثر كفاءة.
