ما هو اكتشاف مربع الإحاطة الموجه (OBB)؟

إن التعرف على الأشياء، بغض النظر عن طريقة ترتيبها أو الاتجاه الذي تواجهه، هو أمر طبيعي بالنسبة لنا كبشر. وسواء كانت سيارات في تقاطع طرق أو قوارب في ميناء، يمكننا بسهولة معرفة ماهيتها والاتجاه الذي تشير إليه. ومع ذلك، بالنسبة لأنظمة artificial intelligence (AI)، فالأمر ليس بهذه البساطة.

على سبيل المثال، يتيح computer vision، وهو فرع من الذكاء الاصطناعي يركز على فهم الصور وفيديوهات، مهام مثل كشف الكائنات، مما يساعد الآلات على تحديد وتحديد مواقع الأشياء داخل المشهد. يعتمد كشف الكائنات التقليدي على مربعات محيطية محاذية للمحور لرسم مربعات حول الأشياء. هذه المربعات لها جوانب مستقيمة وزوايا قائمة ثابتة. يعمل هذا النهج بشكل جيد عندما تكون الأشياء في وضع مستقيم وليست متقاربة جداً من بعضها البعض.

ولكن عندما تكون الأشياء مائلة، أو استدارت، أو قريبة من بعضها البعض، فإن كشف الكائنات التقليدي غالباً ما يواجه صعوبة في التقاطها بدقة. للتعامل مع هذه المواقف الأكثر تعقيداً، تم إدخال تقنيات مثل oriented bounding box (OBB) detection. على عكس المربعات المحيطية القياسية، يمكن لمربعات OBB الدوران لتتناسب مع زاوية وشكل الكائن، مما يسمح بملاءمة أكثر إحكاماً ودقة.

تتيح نماذج computer vision مثل Ultralytics YOLO11، والتي تدعم كشف OBB، مجموعة من التطبيقات في الوقت الفعلي، خاصة في السيناريوهات التي يكون فيها اتجاه الكائن مهمًا، مثل المراقبة الجوية. علاوة على ذلك، يُستخدم كشف OBB أيضًا في الرعاية الصحية والزراعة وتحليل المستندات.

في هذه المقالة، سنستكشف ما هو اكتشاف OBB، وكيف يعمل، وأين يتم تطبيقه في سيناريوهات العالم الحقيقي. لنبدأ!

Fig 1. عرض توضيحي مثال لاستخدام YOLO11 لكشف OBB للقوارب.

ما هو الصندوق المحيط الموجه؟#

مربع bounding box الموجه هو نوع من المربعات المستطيلة المستخدمة في computer vision لتمثيل الكائنات المكتشفة في الصورة. بينما تتم محاذاة المربعات المحيطية القياسية مع المحاور الأفقية والعمودية للصورة، يمكن لمربعات OBB الدوران لتتواسب مع الزاوية الفعلية للكائن.

توفر هذه القدرة على الدوران العديد من المزايا. يمكن لصناديق OBB أن تتوافق بشكل وثيق مع اتجاه الشيء، مما يسمح للصندوق بملاءمة شكل واتجاه الشيء بإحكام. ونتيجة لذلك، يصبح الاكتشاف أكثر دقة وإحكامًا.

تعتبر صناديق OBB مفيدة بشكل خاص عندما لا تكون الأشياء قائمة تمامًا، مثل سيارة تنعطف على طريق منحني في لقطات جوية، أو كتاب مائل على مكتب، أو ورم مدور في فحص طبي. من خلال مطابقة زاوية الشيء بدقة أكبر، تعمل صناديق OBB على تحسين أداء الاكتشاف، وتقليل تداخل الخلفية، وهي رائعة بشكل خاص للتطبيقات التي يكون فيها اتجاه الشيء مهمًا بقدر أهمية موقعه.

Fig 2. مقارنة بين كشف الكائنات وكشف OBB.

اكتشاف OBB مقابل اكتشاف الأشياء#

قد يبدو اكتشاف OBB واكتشاف الأشياء التقليدي متشابهين في البداية، لكنهما يُستخدمان بطرق مختلفة ولمواقف مختلفة. دعونا نلقي نظرة فاحصة على كيفية مقارنتهما بمثال.

يمكن تدريب Computer vision models، مثل YOLO11، على اكتشاف وتصنيف الكائنات في تطبيقات مختلفة في العالم الحقيقي، مثل الفحص الصناعي. ضع في اعتبارك خط تجميع في مصنع تتحرك فيه أجزاء آلة مختلفة على طول سير ناقل. قد يتم وضع بعض الأجزاء بدقة، ولكن البعض الآخر قد يكون مستدارًا قليلاً، أو مائلًا، أو متداخلًا بسبب الاهتزاز أو السرعة.

يستخدم اكتشاف الأشياء التقليدي صناديق مستطيلة قائمة تتوافق مع الحواف الأفقية والعمودية للصورة. لذا، عندما يتم تدوير جزء ما، قد لا يتناسب الصندوق بشكل صحيح - فقد يترك جزءًا من الشيء أو يتضمن الكثير من الخلفية. وهذا يمكن أن يجعل الاكتشافات أقل دقة ويصعب على النظام التعرف على الجزء بثقة.

الآن، لنفترض أنك تستخدم اكتشاف OBB بدلاً من ذلك. في هذه الحالة، يمكن للنموذج رسم صندوق يدور ليتناسب مع الزاوية الدقيقة لكل جزء. سيتم إحاطة الترس المائل أو المكون الزاوي بإحكام بواسطة صندوق يتناسب مع شكله واتجاهه. وهذا يعني دقة أفضل، وأخطاء أقل، ونتائج أكثر موثوقية، خاصة فيما يتعلق بحالات الاستخدام مثل مراقبة الجودة الآلية أو الفرز الآلي.

نماذج اكتشاف OBB الشائعة#

الآن بعد أن أصبح لدينا فهم أفضل لماهية اكتشاف OBB، دعونا نلقي نظرة على بعض نماذج الذكاء الاصطناعي للرؤية الأكثر استخدامًا التي تدعم ذلك.

تم تطوير العديد من نماذج الرؤية الحاسوبية المتقدمة خصيصًا لاكتشاف الأشياء المدورة أو المائلة. ومن بينها، تشتهر نماذج Ultralytics YOLO بقدراتها الموثوقة والفعالة في اكتشاف OBB.

تم تصميم الإصدارات السابقة مثل Ultralytics YOLOv5 لكشف الكائنات القياسي. قدمت التكرارات اللاحقة، مثل Ultralytics YOLOv8 و YOLO11 الأحدث، دعمًا أصليًا لكشف OBB. يقدم YOLO11، على وجه الخصوص، دقة متطورة دون المساس بالسرعة، مما يجعله خيارًا مؤثرًا للتطبيقات في الوقت الفعلي.

تم تدريب YOLO11 OBB models المُدرَّبة مسبقًا، مثل YOLO11n-obb، على مجموعات بيانات مثل DOTAv1، والتي تتكون من صور جوية مشروحة بمجموعة من فئات الكائنات مثل الطائرات والسفن وملاعب التنس التي تظهر بزوايا واتجاهات مختلفة.

أيضًا، تتوفر هذه النماذج بخمسة أحجام مختلفة، من nano (n-obb) إلى extra-large (x-obb)، لتلبية احتياجات الأداء المختلفة. يسمح هذا التنوع بتطبيقها عبر مختلف الصناعات - من مراقبة البنية التحتية الحضرية وفحص الآلات إلى قراءة النص المائل في المستندات الممسوحة ضوئيًا.

التدريب المخصص لـ Ultralytics YOLO11 لاكتشاف صناديق الإحاطة الموجهة#

في العديد من المواقف الواقعية، قد تكون الكائنات التي تحتاج إلى اكتشافها مختلفة تمامًا عن تلك الموجودة في training datasets القياسية. على سبيل المثال، قد تكون الكائنات مثل الأدوات على خط الإنتاج، أو حزم المنتجات، أو المكونات على لوحة دوائر مطبوعة مستدارة، أو موضوعة بشكل غير منتظم، أو ذات شكل مختلف.

للاكتشاف بدقة لهذه الكائنات المخصصة، خاصة عندما يكون الاتجاه مهمًا، من المهم تدريب نماذج مثل Ultralytics YOLO11 باستخدام صورك وتسمياتك الخاصة. تُعرف هذه العملية باسم custom training.

إليك نظرة فاحصة على عملية خطوة بخطوة لتدريب Ultralytics YOLO11 لاكتشاف OBB:

• جمع الصور: اجمع الصور التي تعرض أشياءك المستهدفة من زوايا ومواضع وبيئات حقيقية مختلفة.
• شرح الأشياء: قم بتسمية كل شيء باستخدام صناديق محيطة مدورة (OBBs) لالتقاط موقعها واتجاهها باستخدام أدوات شرح تدعم OBB.
• إعداد مجموعة البيانات: قم بتنظيم صورك وملصقاتك في بنية دليل YOLO، وأنشئ ملف تكوين YAML بأسماء فئاتك ومسارات مجموعة البيانات.
• تدريب النموذج: اختر إصداراً من نموذج Ultralytics YOLO11 الذي يناسب احتياجاتك، وقم بتشغيل عملية التدريب حتى يتمكن النموذج من التعلم من صورك المصنفة.
• التقييم والنشر: اختبر نموذجك المدرب على صور جديدة، وقم بتقييم دقته، وانشره في تطبيقات عملية مثل التصنيع، أو المراقبة الجوية، أو تحليل المستندات.

التطبيقات التي يتيحها اكتشاف OBB#

الأشياء التي تكون خارج المركز أو مائلة شائعة جدًا في سيناريوهات الحياة الواقعية. دعونا نستعرض بعض الأمثلة التي يحدث فيها اكتشاف OBB فرقًا حقيقيًا من خلال اكتشاف هذه الأشياء بدقة.

تحليل صور الأشعة السينية باستخدام اكتشاف OBB#

يمكن أن يأخذ كشف OBB medical image analysis خطوة إلى الأمام من خلال تحسين الدقة. غالبًا ما تتضمن الصور الطبية هياكل تشريحية مثل الأورام أو الأعضاء أو العظام. غالبًا ما تظهر هذه الهيكل بأشكال غير منتظمة واتجاهات متنوعة. نظرًا لأن مربعات OBB يمكنها الدوران لتتواسب مع زاوية الكائن، فإنها توفر تحديدًا للموقع وقياسًا أكثر دقة، وهو أمر بالغ الأهمية للتشخيص وتخطيط العلاج.

هذا النهج فعال بشكل خاص عندما يتعلق الأمر بتحليل صور الأشعة السينية لكسور العظام، حيث تعد موضع العظام ومحاذاتها عوامل رئيسية. على سبيل المثال، تم استخدام كشف OBB لتحليل pediatric elbow X-rays. من خلال التكيف مع اتجاه العظام، فقد ساعد في تحسين دقة الكشف.

Fig 3. صور الأشعة السينية (a، d) مع كشف الكائنات (b، e) وكشف المربعات المحيطية الموجهة (c، f).

المراقبة الجوية مدعومة باكتشاف OBB#

تعد المراقبة الجوية أداة أساسية في قطاعات مثل السلامة العامة، والمراقبة البيئية، وتخطيط المدن. يمكن للصور الملتقطة بواسطة الطائرات بدون طيار أو الأقمار الصناعية أن تساعد في تحديد أشياء مثل السفن والمركبات والمباني. ومع ذلك، في هذه الصور، غالبًا ما تظهر الأشياء صغيرة وبزوايا غير معتادة، مما يجعل من الصعب اكتشافها بدقة.

يحل اكتشاف OBB هذا عن طريق إمالة الصناديق المحيطة لتتناسب مع زاوية كل شيء. يؤدي هذا إلى قياسات أكثر دقة لحجم الشيء واتجاهه، مما يدعم اتخاذ قرارات أفضل في مجالات مثل التخطيط الحضري، والدفاع، والاستجابة للكوارث، والمراقبة البيئية.

مثال مثير للاهتمام لكشف OBB هو تتبع السفن في maritime surveillance. غالبًا ما تلتقط صور الأقمار الصناعية السفن بزوايا وأحجام مختلفة بسبب الطقس أو الإضاءة أو الحركة. يمكن لمربعات OBB التكيف مع هذه التغييرات، مما يحسن الاكتشاف، خاصة للسفن الأصغر حجمًا أو المحجوبة جزئيًا.

Fig 4. نظرة على استخدام كشف OBB للمراقبة البحرية.

استخدام اكتشاف OBB في الزراعة#

يعد فرز المحاصيل بعد الحصاد خطوة حاسمة لضمان الجودة قبل تعبئتها وإرسالها إلى السوق. بينما تعمل العديد من الأنظمة بشكل جيد للفواكه المستديرة مثل التفاح والبرتقال، يمكن أن تكون المحاصيل الطويلة والضيقة، مثل الجزر أو براعم الزيزانيا، أصعب بكثير في التعامل معها. تختلف أشكالها، وغالبًا ما ينتهي بها الأمر بزوايا مختلفة، مما يجعل اكتشافها وفرزها بدقة أمرًا صعبًا.

ولمعالجة هذه المشكلة، طورت الباحثون نظامًا يستخدم كشف المربعات المحيطية الموجهة (OBB) لتحديد grade these crops بشكل أكثر دقة. يمكن للنظام اكتشاف عدة محاصيل في صورة واحدة، حتى لو كانت مائلة أو متداخلة، وتقييم جودتها وموقعها في الوقت الفعلي.

إيجابيات وسلبيات اكتشاف OBB#

إليك بعض فوائد استخدام اكتشاف OBB:

• مدخلات محسنة للمهام اللاحقة: يمكن لـ Computer vision tasks مثل تجزئة المثيل وتتبع الكائنات أن تحقق أداءً أفضل عند توفير اكتشافات كائنات أكثر دقة.
• تعزيز التفكير المكاني: من خلال التقاط زاوية الاتجاه، تجعل صناديق OBB من الممكن فهم محاذاة الشيء واتجاهه.
• تقليل التداخل في المشاهد المزدحمة: تقلل صناديق OBB من الغموض من خلال ملاءمة الأشياء بشكل أكثر إحكامًا، حتى في المشاهد المزدحمة أو المليئة بالفوضى.

على الرغم من المساعدة في تحسين دقة الاكتشاف في المشاهد المعقدة، يأتي اكتشاف OBB مع بعض القيود التي يجب مراعاتها:

• حساسية أكبر للضوضاء: يمكن أن يكون للأخطاء الصغيرة في توقع الزاوية تأثير أكبر على دقة الاكتشاف، خاصة بالنسبة للأشياء المكتظة أو الطويلة.
• الحاجة إلى أدوات متخصصة: نظرًا لأن ليست كل منصات التسمية والتدريب تدعم OBB أصلاً، فقد يتطلب العمل معها أدوات أو إعدادات إضافية.
• محدودية توفر مجموعة البيانات: مقارنةً بـ object detection القياسي، يوجد حاليًا عدد أقل من مجموعات البيانات المتاحة عامةً مع تعليقات OBB، مما قد يجعل البدء أو مقارنة النتائج أكثر تحديًا بعض الشيء.

أبرز النقاط#

يجعل اكتشاف الصناديق المحيطة الموجهة من الأسهل على حلول الرؤية الحاسوبية التعرف على الأشياء التي ليست مستقيمة أو محاذية تمامًا. من خلال التقاط كل من موقع واتجاه الأشياء، يعزز اكتشاف OBB الدقة عبر حالات استخدام العالم الحقيقي مثل مسح الصور الطبية، ومراقبة الأراضي الزراعية، أو تحليل صور الأقمار الصناعية.

مع جعل نماذج مثل Ultralytics YOLO11 اكتشاف OBB أكثر سهولة، فإنه يصبح خياراً عملياً للعديد من الصناعات. وسواء كنت تتعامل مع كائنات مائلة أو متداخلة أو غريبة الشكل، فإن اكتشاف OBB يضيف طبقة إضافية من الدقة غالباً ما تفتقر إليها الطرق القياسية.

هل أنت مهتم بالذكاء الاصطناعي؟ استكشف GitHub repository الخاص بنا، وتواصل مع our community، واطلع على our licensing options لإنطلاق مشروع رؤية الكمبيوتر الخاص بك. تعرف على المزيد حول الابتكارات مثل AI in retail وcomputer vision in the logistics صناعة اللوجستيات على صفحات الحلول الخاصة بنا.