Feature Maps

خريطة الميزات (feature map) هي المخرجات الأساسية التي يتم إنتاجها عندما يقوم convolutional filter بمعالجة صورة مدخلة أو طبقة سابقة داخل شبكة عصبية. في سياق computer vision (CV)، تعمل هذه الخرائط كتمثيل داخلي للبيانات، حيث تبرز أنماطاً محددة مثل الحواف، أو الأنسجة، أو الأشكال الهندسية المعقدة التي تعلم النموذج التعرف عليها. في جوهرها، تعمل خرائط الميزات كـ "عيون" Convolutional Neural Network (CNN)، حيث تقوم بتحويل قيم البكسل الخام إلى تجريدات ذات معنى تسهل مهام مثل object detection والتصنيف.

Link to this sectionالآلية الكامنة وراء خرائط الميزات#

يعتمد إنشاء خريطة الميزات على العملية الرياضية المعروفة باسم convolution. أثناء هذه العملية، تنزلق مصفوفة صغيرة من المعلمات القابلة للتعلم، تسمى النواة (kernel) أو المرشح (filter)، عبر بيانات الإدخال. وفي كل موضع، يقوم المرشح بعملية ضرب وجمع للعناصر، مما ينتج عنه قيمة واحدة في شبكة المخرجات.

• تنشيط النمط: يتم تدريب كل مرشح للبحث عن ميزة معينة. عندما يواجه المرشح تلك الميزة في المدخلات، تكون القيمة الناتجة في خريطة الميزات عالية، مما يشير إلى تنشيط قوي.
• التسلسل الهرمي المكاني: في معماريات deep learning (DL)، يتم ترتيب خرائط الميزات بشكل هرمي. تنتج الطبقات الأولى خرائط تكتشف التفاصيل منخفضة المستوى مثل خطوط ومنحنيات edge detection. بينما تدمج الطبقات الأعمق هذه الخرائط البسيطة لتشكيل تمثيلات عالية المستوى لأشياء معقدة، مثل الوجوه أو المركبات.
• تغيرات الأبعاد: مع تقدم البيانات عبر الشبكة، عادةً ما تقوم عمليات مثل pooling layers بتقليل الأبعاد المكانية (الطول والعرض) لخرائط الميزات مع زيادة العمق (عدد القنوات). هذه العملية، التي غالباً ما تسمى dimensionality reduction، تساعد النموذج على التركيز على وجود الميزات بدلاً من موقعها الدقيق بالبكسل.

Link to this sectionتطبيقات العالم الحقيقي#

تعد خرائط الميزات بمثابة المحرك الأساسي لتطبيقات الذكاء الاصطناعي الحديثة، مما يسمح للأنظمة بتفسير البيانات المرئية بفهم يشبه الفهم البشري.

• التشخيص الطبي: في medical image analysis، تستخدم النماذج خرائط الميزات لمعالجة صور الأشعة السينية أو الرنين المغناطيسي. قد تبرز الخرائط المبكرة حدود العظام، بينما تحدد الخرائط الأعمق تشوهات مثل الأورام أو الكسور، مما يساعد الأطباء في سيناريوهات AI in healthcare.
• الملاحة الذاتية: تعتمد السيارات ذاتية القيادة بشكل كبير على خرائط الميزات التي يتم إنشاؤها بواسطة أجهزة الاستشعار المرئية. تسمح هذه الخرائط للكمبيوتر الموجود في السيارة بالتمييز بين المسارات، والمشاة، وعلامات المرور في الوقت الفعلي، وهو أمر بالغ الأهمية لعمل autonomous vehicles بأمان.

Link to this sectionالعمل مع خرائط الميزات في Python#

على الرغم من أن خرائط الميزات هي هياكل داخلية، فإن فهم أبعادها أمر بالغ الأهمية عند تصميم المعماريات. يوضح مثال PyTorch التالي كيف تقوم طبقة التفافية واحدة بتحويل صورة مدخلة إلى خريطة ميزات.

import torch
import torch.nn as nn

# Define a convolution layer: 1 input channel, 1 output filter, 3x3 kernel
conv_layer = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, bias=False)

# Create a random dummy image (Batch Size=1, Channels=1, Height=5, Width=5)
input_image = torch.randn(1, 1, 5, 5)

# Pass the image through the layer to generate the feature map
feature_map = conv_layer(input_image)

print(f"Input shape: {input_image.shape}")
# The output shape will be smaller (3x3) due to the kernel size and no padding
print(f"Feature Map shape: {feature_map.shape}")

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

من المفيد التمييز بين خرائط الميزات والمصطلحات المماثلة لتجنب الارتباك أثناء model training:

• خريطة الميزات مقابل المرشح: المرشح (أو النواة) هو الأداة المستخدمة لمسح الصورة؛ وهو يحتوي على model weights. أما خريطة الميزات فهي نتيجة ذلك المسح. يمكنك التفكير في المرشح كـ "عدسة" وفي خريطة الميزات كـ "الصورة" التي تم التقاطها عبر تلك العدسة.
• خريطة الميزات مقابل التضمين (Embedding): بينما يمثل كلاهما البيانات، تحتفظ خرائط الميزات عادةً بالهياكل المكانية (الطول والعرض) المناسبة لـ semantic segmentation. في المقابل، embeddings عادة ما تكون متجهات مسطحة أحادية البعد تلتقط المعنى الدلالي ولكنها تتجاهل التخطيط المكاني، وغالباً ما تُستخدم في مهام similarity search.
• خريطة الميزات مقابل التنشيط: يتم تطبيق activation function (مثل ReLU) على القيم الموجودة داخل خريطة الميزات لإدخال غير الخطية. توجد الخريطة قبل وبعد هذه العملية الرياضية.

Link to this sectionالأهمية لنماذج Ultralytics#

في المعماريات المتقدمة مثل YOLO26، تلعب خرائط الميزات دوراً محورياً في "العمود الفقري" (backbone) و"الرأس" (head) للنموذج. يستخرج العمود الفقري الميزات على مقاييس مختلفة (هرم الميزات)، مما يضمن قدرة النموذج على اكتشاف الأجسام الصغيرة والكبيرة بفعالية. يمكن للمستخدمين الذين يستفيدون من Ultralytics Platform للتدريب تصور كيفية أداء هذه النماذج، ومراقبة فعالية خرائط الميزات الأساسية بشكل غير مباشر من خلال مقاييس مثل accuracy والاسترجاع (recall). يتضمن تحسين هذه الخرائط تدريباً مكثفاً على مجموعات بيانات مشروحة، وغالباً ما يستخدم تقنيات مثل feature extraction لنقل المعرفة من النماذج المدربة مسبقاً إلى مهام جديدة.