Backbone

العمود الفقري هو مكون استخراج الميزات الأساسي في بنية التعلم العميق، حيث يعمل المحرك الأساسي الذي يحول البيانات الخام إلى تمثيلات ذات دلالة. في سياق الرؤية الحاسوبية، يتكون العمود الفقري عادةً من سلسلة من الطبقات داخل الشبكة العصبية التي تعالج صور الإدخال لتحديد الأنماط الهرمية. تتراوح هذه الأنماط من الميزات البسيطة منخفضة المستوى مثل الحواف والنسيج إلى المفاهيم المعقدة عالية المستوى مثل الأشكال والكائنات. يُعد مخرج العمود الفقري، والذي يُشار إليه غالباً باسم خريطة الميزات، بمثابة المدخلات للمكونات اللاحقة التي تؤدي مهام محددة مثل التصنيف أو الاكتشاف.

دور الـ Backbone#

تتمثل الوظيفة الأساسية للعمود الفقري في "رؤية" وفهم المحتوى المرئي للصورة قبل اتخاذ أي قرارات محددة. وهو يعمل كمترجم عالمي، حيث يحول قيم البكسل إلى تنسيق مكثف وغني بالمعلومات. تعتمد معظم الأجزاء الخلفية الحديثة على الشبكات العصبية التلافيفية (CNN) أو محولات الرؤية (ViT) وغالباً ما يتم تدريبها مسبقاً على مجموعات بيانات ضخمة مثل ImageNet. تتيح عملية التدريب المسبق هذه، وهي جانب أساسي من التعلم النقلي، للنموذج الاستفادة من الميزات المرئية التي تم تعلمها مسبقاً، مما يقلل بشكل كبير من البيانات والوقت اللازمين لتتدريب نموذج جديد لتطبيق معين.

على سبيل المثال، عند استخدام Ultralytics YOLO26، تتضمن البنية عموداً فقرياً محسناً للغاية يستخرج بكفاءة ميزات متعددة المقاييس. يتيح ذلك للأجزاء اللاحقة من الشبكة التركيز بشكل كامل على تحديد مواقع الكائنات وتعيين احتمالات الفئات دون الحاجة إلى إعادة تعلم كيفية التعرف على الهياكل المرئية الأساسية من الصفر.

Backbone مقابل Neck مقابل Head#

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

• العمود الفقري: "مستخرج الميزات." فهو يعزل المعلومات المرئية الأساسية من صورة الإدخال. ومن الأمثلة الشائعة الشبكات المتبقية (ResNet)، والتي تم تطويرها في الأصل بواسطة Microsoft Research، وCSPNet، والتي تم تحسينها لتحقيق الكفاءة الحسابية.
• العنق: "مجمع الميزات." يقع العنق بين العمود الفقري والرأس، ويعمل على تحسين وجمع الميزات من مقاييس مختلفة. ومن الهياكل الشائعة المستخدمة هنا شبكة هرم الميزات (FPN)، والتي تعزز قدرة النموذج على اكتشاف الكائنات ذات الأحجام المتفاوتة.
• الرأس: "المتنبيء." يقوم رأس الكشف بمعالجة الميزات المجمعة من العنق لتوليد الإخراج النهائي، مثل مربعات الإحاطة وتسميات الفئات.

تطبيقات 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 الرعاية الصحية، تحلل الأعمدة الفقرية الصور الطبية المعقدة مثل الأشعة السينية، والأشعة المقطعية، والرنين المغناطيسي. من خلال إجراء تحليل الصور الطبية، يمكن لهذه الشبكات استخراج شذوذ دقيقة تشير إلى المرض. على سبيل المثال، تستفيد النماذج المتخصصة من الأعمدة الفقرية القوية لاكتشاف الأورام، وتحديد العلامات المبكرة للسرطان التي قد يفوتها العين البشرية. تدعو منظمات مثل الجمعية الشعاعية لأمريكا الشمالية (RSNA) إلى استخدام أدوات التعلم العميق هذه لإحداث ثورة في رعاية المرضى.

2. الأنظمة المستقلة: في صناعات السيارات والروبوتات، تقوم الأعمدة الفقرية بمعالجة تدفقات الفيديو من الكاميرات الموجودة على متن الطائرة لتفسير البيئة. يعتمد الذكاء الاصطناعي في قطاع السيارات على مستخرجات الميزات القوية هذه لاكتشاف المسارات، وقراءة إشارات المرور، وتحديد المشاة في الوقت الفعلي. يضمن العمود الفقري الموثوق به قدرة النظام على التمييز بين العقبات الثابتة والمركبات المتحركة، وهو متطلبات أمان حرجة لتقنيات القيادة الذاتية التي طورتها شركات مثل Waymo.

التنفيذ باستخدام Ultralytics#

تدمج البنى الحديثة مثل YOLO11 وYOLO26 المتطورة أعمدة فقرية قوية بشكل افتراضي. تم هندسة هذه المكونات لتحقيق وزون الاستدلال الأمثل عبر منصات الأجهزة المختلفة، من أجهزة الحافة إلى وحدات معالجة الرسومات (GPUs) عالية الأداء.

توضح مقتطفات Python التالية كيفية تحميل نموذج ذو عمود فقري مدرب مسبقاً باستخدام حزمة ultralytics. يستفيد هذا الإعداد تلقائياً من العمود الفقري 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 عمود فقري مدرب مسبقاً، يمكن للمطورين إجراء الضبط الدقيق على مجموعات البيانات المخصصة الخاصة بهم باستخدام منصة Ultralytics. يسهل هذا النهج التطوير السريع للنماذج المتخصصة - مثل تلك المستخدمة في اكتشاف الطرود في الخدمات اللوجستية - دون الموارد الحسابية الهائلة المطلوبة عادةً لتدريب شبكة عصيبة عميقة من الصفر.