Depth Estimation

يُعد تقدير العمق عملية بالغة الأهمية في رؤية الكمبيوتر، إذ يحدد مسافة الكائنات عن الكاميرا، مما يضيف فعلياً بُعداً ثالثاً إلى الصور ثنائية الأبعاد. من خلال حساب المسافة التي تبعدها كل بكسل في الصورة، تقوّم هذه التقنية خريطة عمق، وهي تمثيل يتوافق فيه سطوع البكسل مع المسافة. تحاكي هذه القدرة رؤية ثنائية العينين البشرية، مما يسمح للآلات بإدراك العلاقات المكانية والمهندسية. إنها تقنية أساسية لتمكين الأنظمة المستقلة من التنقل بأمان، وفهم بيئتها، والتفاعل مع الكائنات المادية.

الآليات والتقنيات الأساسية#

هناك عدة طرق لتحقيق تقدير العمق، تتراوح من الحلول المعتمدة على العتاد إلى الأساليب البرمجية البحتة باستخدام الذكاء الاصطناعي.

• أنظمة الرؤية المجسمة: على غرار العينين البشريتين، تستخدم الرؤية المجسمة كاميرتين موضوعتين جنباً إلى جنب. تحلل الخوارزميات الاختلافات البسيطة، أو التباين، بين الصورتين اليمنى واليسرى لحساب المسافة بالتثليث. يعتمد هذا اعتماداً كبيراً على مطابقة المعالم بدقة لتحديد النقاط نفسها في كلا الإطارين.
• تقدير العمق الأحادي العين: تقدر هذه الطريقة المتقدمة العمق من صورة واحدة. نظراً لأن صورة ثنائية الأبعاد مفردة تفتقر إلى بيانات عمق جوهرية، يتم تدريب نماذج التعلم العميق على مجموعات بيانات ضخمة التعرف على الإشارات المرئية مثل المنظور، وحجم الكائنات، والاحتجاب. تتفوق الهياكل الحديثة، مثل الشبكات العصبية التلافيفية (CNNs)، في هذه المهمة، مما يجعل من الممكن استخلاص البنية ثلاثية الأبعاد من الكاميرات القياسية.
• ليدار ووقت الرحلة (ToF): تصدر المستشعرات النشطة مثل ليدار (اكتشاف المدى وتحديد محليته بالضوء) وكاميرات وقت الرحلة نبضات ضوئية وتقيس الوقت الذي تستغرقه للعودة. تولد هذه الطرق سحب نقاط عالية الدقة وتُستخدم غالباً لجمع بيانات الحقيقة الأساسية لتدريب نماذج التعلم الآلي.

تطبيقات العالم الحقيقي#

إن القدرة على قياس المسافة تُعد قوة تحويلية عبر العديد من الصناعات، حيث تشغل تطبيقات تتطلب الوعي المكاني.

• القيادة الذاتية: تعتمد السيارات ذاتية القيادة على تقدير العمق لاكتشاف العقبات، وقياس المسافة إلى المركبات الأخرى، والتنقل في شبكات الطرق المعقدة بأمان. إنها جزء لا يتجزأ من اكتشاف الكائنات ثلاثية الأبعاد لتحديد المشاة راكبي الدراجات.
• الروبوتات والأتمتة: تستخدم الروبوتات إدراك العمق لمهام مثل تخطيط المسار ومعالجة الكائنات. على سبيل المثال، يحتاج روبوت المستودعات إلى معرفة المسافة التي يبعدها الرف تماماً لالتقاط طرد دون الاصطدام به.
• الواقع المعزز (AR): لوضع أجسام افتراضية بشكل مقنع في مشهد العالم الحقيقي، يجب أن تفهم أجهزة الواقع المعزز الهندسة ثلاثية الأبعاد للبيئة. يضمن تقدير العمق إمكانية اختباء الشخصيات الافتراضية خلف الأثاث الحقيقي، وهو مفهوم يُعرف باسم معالجة الحجب.

مثال برمجي: تقدير العمق أحادي العين#

على الرغم من وجود نماذج عمق متخصصة، يمكنك غالباً استنتاج العلاقات المكانية باستخدام مربعات الإحاطة لاكتشاف الكائنات كبديل للمسافة في السيناريوهات البسيطة (مربعات أكبر تعني غالباً كائنات أقرب). إليك كيفية تحميل نموذج باستخدام الحزمة ultralytics لاكتشاف الكائنات، وهي الخطوة الأولى في العديد من خطوط الأنابيب المدركة للعمق.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Process results
for result in results:
    # Get bounding boxes (xyxy format)
    boxes = result.boxes.xyxy

    # Iterate through detections
    for box in boxes:
        print(f"Detected object at: {box}")

العلاقة بمفاهيم رؤية الحاسوب الأخرى#

من المهم تمييز تقدير العمق عن المصطلحات ذات الصلة. بينما يحدد اكتشاف الكائنات ما هو الكائن وأين يوجد في الفضاء ثنائي الأبعاد (باستخدام مربع إحاطة)، يحدد تقدير العمق مدى بُعده (محور Z). وبالمثل، تصنف التجزئة الدلالية البكسلات إلى فئات (مثل: طريق، سماء، سيارة)، بينما يعين تقدير العمق قيمة مسافة لتلك البكسلات نفسها.

التطورات في الذكاء الاصطناعي المكاني#

التقدم الحديث في الذكاء الاصطناعي التوليدي يسد الفجوة بين الرؤية ثنائية الأبعاد وثلاثية الأبعاد. تستخدم تقنيات مثل حقول الإشعاع العصبي (NeRF) صوراً ثنائية الأبعاد متعددة لإعادة بناء مشاهد ثلاثية الأبعاد معقدة، مع الاعتماد بشكل كبير على مبادئ العمق الأساسية. علاوة على ذلك، مع تحسن تقنيات تحسين النموذج، أصبح تشغيل تقدير العمق عالي الدقة على أجهزة حافة الذكاء الاصطناعي ممكناً. يتيح ذلك الحوسبة المكانية في الوقت الفعلي على الأجهزة الصغيرة مثل الطائرات بدون طيار أو النظارات الذكية، وهو ما تسهله منصات مثل منصة Ultralytics للتدريب الفعال للنماذج ونشرها.