ترخيص YOLO
العودة إلى مسرد Ultralytics

Affine Transformation

يحوّل التحويل الأفيني إحداثيات الصورة عبر التدوير والتحجيم والقص والإزاحة، مما يدعم زيادة البيانات والمحاذاة والمعالجة المسبقة.

التحويل الأفيني هو تعيين للإحداثيات يجمع بين تحويل خطي وإزاحة. وفي الصور، يمكنه تدوير شبكة البكسلات أو تغيير حجمها أو عكسها أو قصّها أو إزاحتها مع الحفاظ على البنية الخطية. يُعد التحويل الأفيني والتطبيق الأفيني مصطلحين مترادفين. وفي الرؤية الحاسوبية، تدعم هذه التعيينات المحاذاة والمعالجة المسبقة للبيانات وزيادة البيانات.

استخدم ليونهارد أويلر مصطلح أفيني للمنحنيات ذات الصلة عام 1748، في الفصل الثامن عشر من Introductio in analysin infinitorum, volume 2.

ما الذي تحافظ عليه التحويلات الأفينية#

يحافظ التحويل الأفيني القابل للعكس على الخطوط المستقيمة والتوازي ونسب المسافات على امتداد خط. وتظل نقطة المنتصف نقطةً في المنتصف. وقد تتغير الأطوال والزوايا: إذ يمكن لـالقص والتحجيم غير المتساوي تحويل مستطيل إلى متوازي أضلاع أو دائرة إلى قطع ناقص.

تحافظ التحويلات الصلبة على المسافات والزوايا؛ وتسمح تحويلات التشابه أيضًا بالتحجيم المنتظم. أما التحويلات الأفينية فتسمح كذلك بالتحجيم غير المتساوي والقص. ويشمل التحويل الإسقاطي تأثيرات المنظور، مثل تقارب حافتي طريق متوازيتين نحو نقطة التلاشي. ويحافظ التعيين الأفيني على التوازي، ما يجعله ملائمًا لتغيرات الميل والتحجيم العامة.

آلية عمل المصفوفة الأفينية#

تتضمن المصفوفة الأفينية ثنائية الأبعاد ستة معاملات، وتُخزَّن عادةً في مصفوفة 2 x 3. تتحكم أربعة معاملات في الجزء الخطي، ويحدد اثنان الإزاحة الأفقية والعمودية. وتحدد ثلاثة أزواج من النقاط المصفوفة: يجب أن تكون نقاط المصدر الثلاث غير واقعة على استقامة واحدة، بحيث تشكّل مثلثًا. وفي OpenCV، تقدّر cv2.getAffineTransform المصفوفة من هذه المطابقات.

تؤدي إضافة إحداثي ثالث ثابت قيمته 1، يُسمى الإحداثي المتجانس، إلى تضمين الإزاحة في ضرب المصفوفات. وتكون المصفوفة الناتجة بحجم 3 x 3، ويكون صفها الأخير 0, 0, 1. ويمكن دمج تحويلات متعددة بضرب المصفوفات؛ إذ يختلف التدوير ثم الإزاحة عمومًا عن الإزاحة ثم التدوير.

يكون التحويل الأفيني خطيًا إذا وفقط إذا كانت إزاحته صفرًا. وفي الشبكة العصبية، تجمع الطبقة كاملة الاتصال بين الأوزان المتعلَّمة وانحياز الإزاحة. وتطبّق طبقة Linear في PyTorch تعيينًا أفينيًا افتراضيًا، يتبعه عادةً دالة تنشيط غير خطية.

الاستخدامات في الرؤية وتدريب النماذج#

يدعم تدريب الكشف والتجزئة في Ultralytics YOLO26 زيادة البيانات الهندسية عبر degrees وtranslate وscale وshear، مع تحديث الصور والتعليقات التوضيحية معًا. ومع perspective=0.0، يكون التعيين أفينيًا؛ ويكون التدوير والقص معطلين افتراضيًا.

تطبيق تحويل أفيني في Python#

باستخدام pip install opencv-python numpy، يستعمل هذا المثال OpenCV لتدوير صورة وتصغيرها حول مركزها:

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    encoded = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(encoded, cv2.IMREAD_COLOR)
height, width = image.shape[:2]

# ⁨يتطلب التدوير حول المركز أيضًا إجراء إزاحة.⁩
center = (width / 2, height / 2)
matrix = cv2.getRotationMatrix2D(center, angle=20, scale=0.8)
warped = cv2.warpAffine(image, matrix, (width, height))
cv2.imwrite("affine_result.jpg", warped)

تُظهر الصورة المحفوظة تدويرًا بزاوية 20 درجة وتحجيمًا إلى 80% من الأبعاد الأصلية داخل لوحة إخراج لم يتغير حجمها.

أخطاء إعادة أخذ العينات والتعليقات التوضيحية#

تُسقط عملية التحويل شبكة بكسلات متقطعة. وتمزج الاستيفاء الخطي الثنائي بين البكسلات المجاورة، بينما يختار استيفاء أقرب جار قيمة موجودة. ويكشف التدوير مناطق حدودية لا تحتوي على بكسلات مصدر، كما تقص اللوحة الثابتة المحتوى الواقع خارج حدودها. وتؤدي إعادة أخذ العينات الخطية الثنائية مرارًا إلى تنعيم التفاصيل الدقيقة، حتى عندما يكون تعيين الإحداثيات قابلاً للعكس.

في الرؤية الخاضعة للإشراف، تخضع الصور والتعليقات التوضيحية للتحويل نفسه. وتضع التسميات التي لم تتغير الأهداف في مواقع غير صحيحة. وتتطلب مربعات الإحاطة تحويل الزوايا الأربع جميعها قبل حساب مستطيل محيط بمحاذاة المحاور، وقد يتضمن هذا المستطيل خلفية إضافية بعد التدوير. وتتطلب النقاط المفتاحية الواقعة خارج مساحة الصورة تحديثات لحالة الظهور. وتستخدم أقنعة التجزئة الفئوية استيفاء أقرب جار للحفاظ على معرّفات الفئات المنفصلة.

استكشف الحلول

الرؤية الحاسوبية في الرياضة

الرؤية الحاسوبية في الرياضة

اكتشف كيف يعزّز Ultralytics YOLO الرؤية الحاسوبية الرياضية عبر تتبّع اللاعبين والكرة، وتحليلات الأداء، ورؤى التدريب، وإعادة تأهيل الرياضيين.
معرفة المزيد
الرؤية الحاسوبية للصور الجوية

الرؤية الحاسوبية للصور الجوية

حوّل صور الطائرات المسيّرة والصور الجوية إلى رؤى آنية للزراعة وتربية الأحياء المائية والحفاظ على البيئة والتحليل الجغرافي المكاني باستخدام Ultralytics YOLO.
معرفة المزيد
الرؤية الحاسوبية في قطاع الطيران والفضاء

الرؤية الحاسوبية في قطاع الطيران والفضاء

طبّق الرؤية الحاسوبية في مجال الطيران والفضاء باستخدام Ultralytics YOLO لفحص الطائرات، واكتشاف الأجسام الغريبة على المدارج (FOD)، والعمليات الأرضية في المطارات، واكتشاف عيوب المواد المركّبة.
معرفة المزيد
الرؤية الحاسوبية في مجال الأمن

الرؤية الحاسوبية في مجال الأمن

احمِ كل موقع باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري مراقبة المحيط، واكتشاف التهديدات، والتعرف على لوحات المركبات، والسلامة في مكان العمل.
معرفة المزيد
الرؤية الحاسوبية في الروبوتات

الرؤية الحاسوبية في الروبوتات

عزّز أداء الآلات الذكية باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري في الروبوتات الملاحة الذاتية والإدراك وتعقب الأجسام والتحكم الآني.
معرفة المزيد
الرؤية الحاسوبية في الخدمات اللوجستية

الرؤية الحاسوبية في الخدمات اللوجستية

بسّط العمليات اللوجستية باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري فحص الطرود وفرزها وتتبع المركبات ومراقبة سلامة المستودعات في الوقت الفعلي.
معرفة المزيد
الرؤية الحاسوبية في تجارة التجزئة

الرؤية الحاسوبية في تجارة التجزئة

أعِد تصور تجارة التجزئة باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري تتبع المخزون ومراقبة الرفوف وإدارة الطوابير واستخلاص رؤى أذكى عن العملاء.
معرفة المزيد
الرؤية الحاسوبية في الرعاية الصحية

الرؤية الحاسوبية في الرعاية الصحية

أنشئ حلولًا للرعاية الصحية باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي البصري في الرعاية الصحية سرعة التصوير الطبي، وكفاءة التشخيص، ومراقبة المرضى.
معرفة المزيد
الرؤية الحاسوبية في التصنيع

الرؤية الحاسوبية في التصنيع

حسّن التصنيع باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية مراقبة الجودة واكتشاف العيوب والالتزام بمعدات الوقاية الشخصية وأتمتة خطوط التجميع.
معرفة المزيد
الرؤية الحاسوبية في قطاع السيارات

الرؤية الحاسوبية في قطاع السيارات

طبّق الرؤية الحاسوبية في قطاع السيارات باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية سلامة الطرق ومساعدة السائق وأتمتة المركبات لإنشاء طرق أكثر ذكاءً.
معرفة المزيد
الرؤية الحاسوبية في الزراعة

الرؤية الحاسوبية في الزراعة

أدخل الذكاء الاصطناعي البصري إلى الزراعة الذكية باستخدام نماذج Ultralytics YOLO. عزّز مراقبة المحاصيل وتتبع الماشية والزراعة الدقيقة لزيادة الإنتاجية وتحسينها.
معرفة المزيد

لنبنِ مستقبل الذكاء الاصطناعي معًا!

ابدأ رحلتك نحو مستقبل تعلّم الآلة