Backbone

العمود الفقري هو المكوّن الأساسي لاستخراج السمات في بنية التعلم العميق، ويعمل كمحرّك رئيسي يحوّل البيانات الخام إلى تمثيلات ذات معنى. في سياق الرؤية الحاسوبية، يتكوّن العمود الفقري عادةً من سلسلة من الطبقات داخل شبكة عصبية تعالج الصور المُدخلة لتحديد الأنماط الهرمية. وتتراوح هذه الأنماط بين السمات البسيطة منخفضة المستوى، مثل الحواف والأنسجة، والمفاهيم المعقدة عالية المستوى، مثل الأشكال والكائنات. ويُستخدم خرج العمود الفقري، الذي يُشار إليه غالبًا باسم خريطة السمات، كمدخل للمكوّنات اللاحقة التي تنفّذ مهامًا محددة مثل التصنيف أو الكشف.

دور العمود الفقري#

تتمثل الوظيفة الأساسية للعمود الفقري في "رؤية" المحتوى المرئي للصورة وفهمه قبل اتخاذ أي قرارات محددة. فهو يعمل كمترجم شامل يحوّل قيم البكسلات إلى صيغة مكثفة وغنية بالمعلومات. تعتمد معظم الأعمدة الفقرية الحديثة على الشبكات العصبية الالتفافية (CNN) أو المحوّلات البصرية (ViT)، وغالبًا ما تكون مدرّبة مسبقًا على مجموعات بيانات ضخمة مثل ImageNet. وتُمكّن عملية التدريب المسبق هذه، وهي جانب أساسي من التعلم بالنقل، النموذج من الاستفادة من السمات البصرية التي تعلّمها سابقًا، مما يقلل بدرجة كبيرة من البيانات والوقت اللازمين لتدريب نموذج جديد لتطبيق محدد.

على سبيل المثال، عند استخدام Ultralytics YOLO26، تتضمن البنية عمودًا فقريًا عالي التحسين يستخرج السمات متعددة المقاييس بكفاءة. ويتيح ذلك للأجزاء اللاحقة من الشبكة التركيز بالكامل على تحديد مواقع الكائنات وإسناد احتمالات الفئات، من دون الحاجة إلى إعادة تعلّم كيفية التعرّف على البنى البصرية الأساسية من الصفر.

العمود الفقري مقابل العنق والرأس#

لفهم بنية نماذج كشف الكائنات فهمًا كاملًا، من الضروري التمييز بين العمود الفقري والمكوّنين الرئيسيين الآخرين: العنق والرأس.

• العمود الفقري: «مستخرج السمات». يعزل المعلومات البصرية الأساسية من الصورة المُدخلة. ومن الأمثلة الشائعة الشبكات المتبقية (ResNet)، التي طوّرتها في الأصل Microsoft Research، وCSPNet، المحسّنة لتحقيق الكفاءة الحسابية.
• العنق: «مجمّع السمات». يقع العنق بين العمود الفقري والرأس، ويعمل على تنقيح السمات من المقاييس المختلفة ودمجها. ومن البنى الشائعة المستخدمة هنا شبكة هرم السمات (FPN)، التي تعزز قدرة النموذج على كشف الكائنات ذات الأحجام المتفاوتة.
• الرأس: «المتنبئ». يعالج رأس الكشف السمات المجمّعة من العنق لإنشاء الخرج النهائي، مثل الصناديق المحيطة وتسميات الفئات.

التطبيقات الواقعية#

تُعد الأعمدة الفقرية عناصر العمل الصامتة الكامنة وراء العديد من تطبيقات الذكاء الاصطناعي الصناعية والعلمية. وتجعل قدرتها على تعميم البيانات البصرية منها مكوّنات قابلة للتكيّف عبر قطاعات متنوعة.

1. التشخيص الطبي: في مجال الرعاية الصحية، تحلل الأعمدة الفقرية الصور الطبية المعقدة مثل صور الأشعة السينية، وفحوصات التصوير المقطعي المحوسب، والتصوير بالرنين المغناطيسي. ومن خلال إجراء تحليل الصور الطبية، تستطيع هذه الشبكات استخراج الشذوذات الدقيقة الدالة على المرض. فعلى سبيل المثال، تستفيد النماذج المتخصصة من الأعمدة الفقرية القوية في كشف الأورام، فتحدد العلامات المبكرة للسرطان التي قد لا تراها العين البشرية. وتدعم منظمات مثل الجمعية الإشعاعية لأمريكا الشمالية (RSNA) أدوات التعلم العميق هذه لإحداث تحول في رعاية المرضى.

2. الأنظمة الذاتية: في قطاعي السيارات والروبوتات، تعالج الأعمدة الفقرية تدفقات الفيديو الواردة من الكاميرات المثبتة على المركبات لتفسير البيئة المحيطة. ويعتمد الذكاء الاصطناعي في قطاع السيارات على مستخرجات السمات القوية هذه لكشف المسارات وقراءة إشارات المرور وتحديد المشاة في الوقت الفعلي. ويضمن العمود الفقري الموثوق قدرة النظام على التمييز بين العوائق الثابتة والمركبات المتحركة، وهو متطلب حاسم للسلامة في تقنيات القيادة الذاتية التي تطورها شركات مثل Waymo.

التنفيذ باستخدام Ultralytics#

تدمج البنى المتطورة، مثل YOLO11 وYOLO26 الرائد، أعمدة فقرية قوية افتراضيًا. وقد صُممت هذه المكوّنات لتحقيق أفضل زمن استجابة للاستدلال عبر منصات عتادية متنوعة، بدءًا من الأجهزة الطرفية ووصولًا إلى وحدات GPU عالية الأداء.

يوضح مقتطف Python التالي كيفية تحميل نموذج بعمود فقري مدرّب مسبقًا باستخدام الحزمة ultralytics. ويستفيد هذا الإعداد تلقائيًا من العمود الفقري لاستخراج السمات 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()

باستخدام عمود فقري مدرّب مسبقًا، يستطيع المطورون إجراء الضبط الدقيق على مجموعات البيانات المخصصة الخاصة بهم باستخدام Ultralytics Platform. ويسهّل هذا النهج التطوير السريع لنماذج متخصصة—مثل النماذج المستخدمة في كشف الطرود في قطاع الخدمات اللوجستية—من دون الموارد الحاسوبية الهائلة المطلوبة عادةً لتدريب شبكة عصبية عميقة من الصفر.