رأس الكشف

يعمل رأس الكشف كطبقة اتخاذ القرار النهائي في بنية الشبكة العصبية للكشف عن الكائنات . في حين أن الطبقات السابقة من النموذج مسؤولة عن فهم الأشكال والأنسجة والخصائص داخل الصورة، فإن رأس الكشف هو المكون المحدد الذي يفسر هذه المعلومات للتنبؤ بالضبط بالكائنات الموجودة وموقعها. وهو يحول البيانات المجردة عالية المستوى التي ينتجها مستخرج الميزات إلى نتائج قابلة للتنفيذ، وعادةً ما ينتج مجموعة من المربعات المحيطة بالأشياء المحددة مع تصنيفاتها المطابقة ودرجات الثقة.

التمييز بين الرأس والعمود الفقري والرقبة

لفهم وظيفة رأس الكشف بشكل كامل، من المفيد تصور أجهزة الكشف الحديثة على أنها تتكون من ثلاث مراحل أساسية، كل منها يخدم غرضًا متميزًا في مسار الرؤية الحاسوبية (CV):

• العمود الفقري: هذا هو الجزء الأولي من الشبكة، وغالبًا ما يكون شبكة عصبية تلافيفية (CNN) مثل ResNet أو CSPNet. يعالج الصورة الأولية المدخلة لإنشاء خرائط ميزات تمثل الأنماط المرئية.
• العنق: يقع العنق بين العمود الفقري والرأس، ويقوم بتحسين ودمج الميزات من مقاييس مختلفة. تضمن البنى مثل شبكة هرم الميزات (FPN) قدرة النموذج على detect ذات أحجام مختلفة من خلال تجميع السياق.
• الرأس: المكون النهائي الذي يستهلك الميزات المكررة من العنق. ويقوم بمهمة التصنيف الفعلية (ما هو؟) والانحدار (أين هو؟).

التطور: القائم على المرجع مقابل غير القائم على المرجع

تطور تصميم رؤوس الكشف بشكل كبير لتحسين السرعة والدقة، لا سيما مع الانتقال من الأساليب التقليدية إلى نماذج الاستدلال الحديثة في الوقت الفعلي.

• الرؤوس القائمة على المراسي: كانت أجهزة الكشف عن الأجسام التقليدية ذات المرحلة الواحدة تعتمد على صناديق مراسيمحددة مسبقًا — أشكال مرجعية ثابتة بأحجام مختلفة. كان الرأس يتنبأ بمدى تمديد أو تحريك هذه المراسي لتناسب الجسم. تم تفصيل هذه الطريقة في الأبحاث الأساسية حول Faster R-CNN.
• رؤوس خالية من المراسي: تستخدم أحدث النماذج، بما في ذلك أحدث نموذج YOLO26، أجهزة كشف خالية من المراسي. تتنبأ هذه الرؤوس بمراكز الأجسام وأبعادها مباشرة من البكسلات في خرائط الميزات، مما يلغي الحاجة إلى ضبط المراسي يدويًا . وهذا يبسط البنية ويعزز قدرة النموذج على التعميم على أشكال الأجسام الجديدة، وهي تقنية ترتبط غالبًا بـ الكشف عن الأجسام في مرحلة واحدة بالالتواء الكامل (FCOS).

تطبيقات واقعية

تعد دقة رأس الكشف أمرًا بالغ الأهمية لنشر الذكاء الاصطناعي (AI) في البيئات الصناعية والبيئات التي تتطلب درجة عالية من الأمان. يمكن للمستخدمين بسهولة إضافة تعليقات توضيحية إلى البيانات وتدريب هذه الرؤوس المتخصصة باستخدام Ultralytics .

• القيادة الذاتية: في الذكاء الاصطناعي للسيارات، يتولى رأس الكشف مسؤولية التمييز بين المشاة وإشارات المرور والمركبات الأخرى في الوقت الفعلي. ويضمن الرأس عالي التحسين أن يظل زمن الاستدلال منخفضًا بما يكفي لتمكين المركبة من الاستجابة على الفور.
• التشخيص الطبي: في تحليل الصور الطبية، يتم ضبط رؤوس الكشف بدقة لتحديد الشذوذات مثل الأورام في فحوصات التصوير بالرنين المغناطيسي. يجب أن يكون فرع الانحدار دقيقًا للغاية لتحديد الحدود الدقيقة للآفة، مما يساعد الأطباء في تقديم حلول الرعاية الصحية.

مثال على الرمز

يوضح المثال التالي كيفية تحميل يولو26 نموذج وفحص ناتج رأس الكشف الخاص به. عند تشغيل الاستدلال، يعالج الرأس الصورة ويعيد النتيجة النهائية boxes تحتوي على إحداثيات و معرفات الفئات.

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to utilize the detection head
results = model("https://ultralytics.com/images/bus.jpg")

# The detection head outputs are stored in results[0].boxes
for box in results[0].boxes:
    # Print the bounding box coordinates and the predicted class
    print(f"Class: {int(box.cls)}, Coordinates: {box.xywh.numpy()}")

يوضح هذا التفاعل كيف يقوم رأس الكشف بترجمة تنشيطات الشبكة العصبية المعقدة إلى بيانات قابلة للقراءة يمكن للمطورين استخدامها في مهام لاحقة مثل تتبع الكائنات أو عدها.