مربع الإحاطة

المربع المحيط (bounding box) هو تعليق توضيحي مستطيل الشكل يستخدم في رؤية الحاسوب للإشارة إلى موقع كائن داخل صورة أو إطار فيديو. إنه بمثابة عنصر أساسي في الكشف عن الكائنات، مما يوفر طريقة بسيطة وفعالة لتحديد موضع الكائن وحجمه. في التعلم الآلي، يتم تدريب النماذج على مجموعات بيانات كبيرة من الصور مع مربعات محيطة مصنفة لتعلم كيفية تحديد وتحديد مواقع الكائنات بمفردها. يتضمن إخراج هذه النماذج إحداثيات المربع، وتسمية فئة (مثل "سيارة" أو "شخص")، و درجة ثقة تشير إلى يقين النموذج في توقعه.

كيف تعمل الصناديق المحيطة (Bounding Boxes)؟

يتم تعريف المربع المحيط عادةً بمجموعة من الإحداثيات التي تحدد موقعه وحجمه. التمثيلات الأكثر شيوعًا هي:

• إحداثيات الزاوية العلوية اليسرى مع العرض والارتفاع (x, y, w, h): يحدد هذا التنسيق إحداثيات x و y للزاوية العلوية اليسرى، بالإضافة إلى عرض الصندوق وارتفاعه.
• نقاط الزاوية (x_min, y_min, x_max, y_max): يحدد هذا التنسيق إحداثيات الزوايا العلوية اليسرى والسفلية اليمنى للمستطيل.

تُستخدم هذه الإحداثيات لتدريب نماذج التعلم العميق، والتي تتعلم التنبؤ بهذه القيم للصور الجديدة غير المرئية. غالبًا ما يتم تقييم دقة المربع المحيط المتوقع باستخدام مقياس يسمى تقاطع الاتحاد (IoU)، والذي يقيس التداخل بين المربع المتوقع والمربع الحقيقي. تم تحسين نماذج الكشف عن الكائنات الحديثة، مثل Ultralytics YOLO11، بشكل كبير لإنشاء مربعات محيطة دقيقة في الوقت الفعلي.

أنواع الصناديق المحيطة

هناك نوعان أساسيان من الصناديق المحيطة:

1. مربع الإحاطة المحاذي للمحور: هذا هو النوع الأكثر شيوعًا، حيث تكون جوانب المستطيل محاذية للمحورين الأفقي والرأسي للصورة. من السهل تمثيلها ومعالجتها ولكنها قد تكون غير فعالة للأجسام التي يتم تدويرها أو غير منتظمة الشكل، حيث قد يشتمل المربع على مساحة خلفية كبيرة.
2. مربع إحاطة موجه (OBB): يتضمن هذا النوع من المربعات معلمة إضافية للتدوير، مما يسمح له بالتناسب بشكل أكثر إحكامًا حول الكائنات المائلة. تعتبر OBBs مفيدة بشكل خاص في التطبيقات المتخصصة مثل تحليل صور الأقمار الصناعية أو الصور الجوية من الطائرات بدون طيار، حيث غالبًا ما يتم عرض الكائنات من زوايا مختلفة. تدعم نماذج مثل YOLO11 الكشف عن الكائنات الموجهة للتعامل مع هذه السيناريوهات بشكل أكثر فعالية.

العلاقة بالمفاهيم الأخرى

ترتبط مربعات الإحاطة ارتباطًا وثيقًا بمهام رؤية الكمبيوتر الأخرى ولكنها تخدم غرضًا متميزًا.

• اكتشاف الكائنات مقابل تقسيم الصور: بينما يستخدم اكتشاف الكائنات مربعات إحاطة لتحديد مواقع الكائنات، فإن تقسيم الصور يوفر فهمًا أكثر تفصيلاً لشكل الكائن. تقسيم المثيلات، على سبيل المثال، يذهب خطوة أبعد من خلال تحديد الحدود الدقيقة على مستوى البكسل لكل كائن متميز، بدلاً من مجرد رسم مستطيل حوله. هذا مفيد للتطبيقات التي تتطلب معلومات دقيقة عن الشكل. يمكن العثور على مزيد من المعلومات في هذا الدليل لتقسيم المثيلات.
• مربع الإحاطة مقابل مربع الارتساء: في بعض نماذج الكشف عن الكائنات، المعروفة باسم أجهزة الكشف المستندة إلى الارتساء، يتم استخدام مربعات محددة مسبقًا تسمى "مربعات الارتساء" كمرجع لمساعدة النموذج على التنبؤ بمربع الإحاطة النهائي. في المقابل، تتنبأ أجهزة الكشف الخالية من الارتساء بمربعات الإحاطة مباشرةً دون هذه الإعدادات المسبقة، مما يبسط غالبًا بنية النموذج.

التطبيقات في سيناريوهات العالم الحقيقي

تعتبر المربعات المحيطة جزءًا لا يتجزأ من العديد من تطبيقات الذكاء الاصطناعي العملية:

1. المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة بشكل كبير على الكشف عن الأجسام لتحديد وتحديد مواقع المشاة والمركبات الأخرى وإشارات المرور باستخدام مربعات إحاطة. هذا الوعي المكاني، الذي غالبًا ما يتم تحقيقه من خلال نماذج التعلم العميق، أمر بالغ الأهمية للملاحة الآمنة. تعرض شركات مثل Waymo هذه التقنية على نطاق واسع. تقدم Ultralytics رؤى حول الذكاء الاصطناعي في السيارات ذاتية القيادة.
2. تحليلات البيع بالتجزئة: في البيع بالتجزئة، تساعد المربعات المحيطة في إدارة المخزون المدفوعة بالذكاء الاصطناعي من خلال اكتشاف المنتجات على الرفوف، ومراقبة مستويات المخزون، وتحليل سلوك العملاء من خلال أنماط حركة المرور (عد الكائنات).
3. الأمن والمراقبة: تتيح المربعات المحيطة لأنظمة المراقبة الآلية اكتشاف وتتبع الأفراد أو الكائنات في الوقت الفعلي، مما يؤدي إلى تشغيل التنبيهات للأنشطة المشبوهة. هذا أساسي لبناء تطبيقات مثل أنظمة الإنذار الأمني.
4. تحليل الصور الطبية: في مجال الرعاية الصحية، تساعد الصناديق المحيطة الأطباء من خلال تسليط الضوء على الحالات الشاذة المحتملة مثل الأورام في الفحوصات، مما يساعد في التشخيص الأسرع. يمكنك رؤية أمثلة على ذلك في أبحاث علم الأشعة: الذكاء الاصطناعي وعلى صفحة تحليل الصور الطبية الخاصة بنا.
5. الزراعة: تُستخدم الصناديق المحيطة في الزراعة الدقيقة لمهام مثل تحديد الفواكه للحصاد أو مراقبة صحة المحاصيل أو اكتشاف الآفات، كما هو مفصل في مدونتنا حول رؤية الحاسوب في الزراعة.