Backbone

يعد الـ Backbone المكون الأساسي لاستخراج الميزات في بنية التعلم العميق، ويعمل كمحرك رئيسي يحول البيانات الخام إلى تمثيلات ذات معنى. في سياق الرؤية الحاسوبية، يتكون الـ Backbone عادةً من سلسلة من الطبقات داخل الشبكة العصبية التي تعالج الصور المدخلة لتحديد الأنماط الهرمية. تتراوح هذه الأنماط من الميزات البسيطة منخفضة المستوى مثل الحواف والأنسجة إلى المفاهيم المعقدة عالية المستوى مثل الأشكال والكائنات. تعمل مخرجات الـ Backbone، والتي يشار إليها غالبًا بـ خريطة الميزات، كمدخلات للمكونات اللاحقة التي تؤدي مهام محددة مثل التصنيف أو الكشف.

Link to this sectionدور الـ Backbone#

تتمثل الوظيفة الأساسية للـ Backbone في "رؤية" وفهم المحتوى البصري للصورة قبل اتخاذ أي قرارات محددة. فهو يعمل كمترجم عالمي، حيث يحول قيم البكسل إلى تنسيق مكثف وغني بالمعلومات. تعتمد معظم الـ Backbone الحديثة على الشبكات العصبية التلافيفية (CNN) أو محولات الرؤية (ViT) وغالبًا ما يتم تدريبها مسبقًا على مجموعات بيانات ضخمة مثل ImageNet. تتيح عملية التدريب المسبق هذه، وهي جانب أساسي من التعلم بنقل المعرفة، للنموذج الاستفادة من الميزات البصرية التي تعلمها مسبقًا، مما يقلل بشكل كبير من البيانات والوقت اللازمين لتدريب نموذج جديد لتطبيق معين.

على سبيل المثال، عند استخدام Ultralytics YOLO26، تتضمن البنية Backbone عالي التحسين يقوم باستخراج الميزات متعددة النطاقات بكفاءة. وهذا يسمح للأجزاء اللاحقة من الشبكة بالتركيز بالكامل على تحديد موقع الكائنات وتعيين احتمالات الفئات دون الحاجة إلى إعادة تعلم كيفية التعرف على الهياكل البصرية الأساسية من الصفر.

Link to this sectionBackbone مقابل Neck مقابل Head#

لفهم بنية نماذج كشف الكائنات بالكامل، من الضروري التمييز بين الـ Backbone والمكونين الرئيسيين الآخرين: الـ Neck والـ Head.

• Backbone: "مستخرج الميزات". يقوم بعزل المعلومات البصرية الأساسية من الصورة المدخلة. تشمل الأمثلة الشائعة الشبكات المتبقية (ResNet)، التي طورتها في الأصل Microsoft Research، وCSPNet، التي تم تحسينها لتحقيق الكفاءة الحسابية.
• الـ Neck: "مجمع الميزات". يتم وضعه بين الـ Backbone والـ Head، حيث يقوم الـ Neck بتنقية ودمج الميزات من مقاييس مختلفة. ومن الهياكل الشائعة المستخدمة هنا شبكة هرم الميزات (FPN)، التي تعزز قدرة النموذج على اكتشاف الكائنات ذات الأحجام المختلفة.
• الـ Head: "المتنبئ". يعالج رأس الكشف الميزات المجمعة من الـ Neck لإنتاج المخرجات النهائية، مثل صناديق التحديد (BBox) وتسميات الفئات.

Link to this sectionتطبيقات العالم الحقيقي#

تعد الـ Backbones بمثابة خيول العمل الصامتة وراء العديد من تطبيقات الذكاء الاصطناعي الصناعية والعلمية. إن قدرتها على تعميم البيانات البصرية تجعلها قابلة للتكيف عبر قطاعات متنوعة.

1. التشخيص الطبي: في مجال الرعاية الصحية، تقوم الـ Backbones بتحليل الصور الطبية المعقدة مثل الأشعة السينية، والأشعة المقطعية، والرنين المغناطيسي. من خلال إجراء تحليل الصور الطبية، يمكن لهذه الشبكات استخراج شذوذات دقيقة تشير إلى الأمراض. على سبيل المثال، تستفيد النماذج المتخصصة من الـ Backbones القوية لـ كشف الأورام، وتحديد العلامات المبكرة للسرطان التي قد يغفل عنها العين البشرية. تدعو منظمات مثل الجمعية الإشعاعية لأمريكا الشمالية (RSNA) إلى استخدام أدوات التعلم العميق هذه لإحداث ثورة في رعاية المرضى.

2. الأنظمة المستقلة: في صناعات السيارات والروبوتات، تقوم الـ Backbones بمعالجة تدفقات الفيديو من الكاميرات الموجودة على متن المركبات لتفسير البيئة. يعتمد الذكاء الاصطناعي في السيارات على مستخرجات الميزات القوية هذه لاكتشاف المسارات، وقراءة إشارات المرور، وتحديد المشاة في الوقت الفعلي. يضمن الـ Backbone الموثوق قدرة النظام على التمييز بين العوائق الثابتة والمركبات المتحركة، وهو مطلب أمان بالغ الأهمية لتقنيات القيادة الذاتية التي طورتها شركات مثل Waymo.

Link to this sectionالتنفيذ باستخدام Ultralytics#

تدمج البنى المتطورة مثل YOLO11 وYOLO26 المتطورة الـ Backbones القوية افتراضيًا. تم تصميم هذه المكونات لتحقيق أفضل زمن انتقال للاستدلال عبر منصات الأجهزة المختلفة، بدءًا من أجهزة الحافة وصولاً إلى وحدات معالجة الرسومات (GPU) عالية الأداء.

يوضح مقتطف Python التالي كيفية تحميل نموذج باستخدام Backbone مدرب مسبقًا عبر حزمة ultralytics. يعمل هذا الإعداد تلقائيًا على الاستفادة من الـ Backbone لاستخراج الميزات أثناء الاستدلال.

from ultralytics import YOLO

# Load a YOLO26 model, which includes a pre-trained CSP backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The backbone extracts features, which are then used for detection
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting detection
results[0].show()

من خلال استخدام Backbone مدرب مسبقًا، يمكن للمطورين إجراء ضبط دقيق (Fine-tuning) على مجموعات بياناتهم المخصصة باستخدام منصة Ultralytics. يسهل هذا النهج التطوير السريع لنماذج متخصصة - مثل تلك المستخدمة لـ كشف الطرود في الخدمات اللوجستية - دون الحاجة إلى الموارد الحسابية الهائلة التي تتطلبها عادةً عملية تدريب شبكة عصبية عميقة من الصفر.