Feature Pyramid Network (FPN)

شبكة هرم الميزات (FPN) هي مكوّن معماري متخصص يُستخدم في أنظمة الرؤية الحاسوبية (CV) الحديثة لتحسين اكتشاف الكائنات بمقاييس مختلفة. وهي تحل بفاعلية تحديًا قديمًا في تحليل الصور: التعرّف على البنى الكبيرة والبارزة والتفاصيل الصغيرة والبعيدة داخل الصورة نفسها. ومن خلال إنشاء تمثيل متعدد المقاييس للمدخل—يشبه الهرم من الناحية المفاهيمية—تتيح شبكات FPN للشبكات العصبية استخراج معلومات دلالية غنية عند كل مستوى من مستويات الدقة. توجد هذه البنية عادةً بين العمود الفقري، الذي يستخرج الميزات الخام، و**رأس الكشف**، الذي يتنبأ بفئات الكائنات والمربعات المحيطة.

كيفية عمل شبكات هرم الميزات#

يكمن الابتكار الأساسي في شبكة FPN في طريقة معالجتها للمعلومات. تنشئ الشبكات العصبية الالتفافية (CNNs) التقليدية تسلسلًا هرميًا من الميزات بصورة طبيعية، إذ تُخفّض دقة صورة الإدخال تدريجيًا. وبينما يعمّق ذلك الفهم الدلالي (معرفة ما يوجد في الصورة)، فإنه غالبًا ما يقلل الدقة المكانية (معرفة مكانه بدقة)، مما يؤدي إلى اختفاء الكائنات الصغيرة.

تعالج شبكات FPN ذلك من خلال عملية مؤلفة من ثلاث خطوات:

1. المسار التصاعدي من الأسفل إلى الأعلى: هذه هي عملية المرور الأمامية القياسية للشبكة، مثل الشبكة المتبقية (ResNet). أثناء معالجة الشبكة للصورة، تنشئ خرائط ميزات يتناقص حجمها بينما تزداد قيمتها الدلالية.

2. المسار التنازلي من الأعلى إلى الأسفل: تنشئ الشبكة هرمًا أعلى دقةً من خلال رفع دقة الميزات الغنية دلاليًا القادمة من الطبقات الأعمق. وتعمل هذه الخطوة على إعادة إدخال السياق القوي افتراضيًا إلى خرائط مكانية أكبر.

3. الروابط الجانبية: لاستعادة التفاصيل الواضحة التي فُقدت أثناء خفض الدقة، تدمج شبكات FPN الميزات التي رُفعت دقتها مع الخرائط الأصلية عالية الدقة من المسار التصاعدي من الأسفل إلى الأعلى عبر روابط جانبية.

ينتج عن هذا الدمج هرم يتمتع فيه كل مستوى بدلالات قوية وبـتحديد مكاني جيد، مما يعزز بدرجة كبيرة الدقة و**الاستدعاء** عبر جميع أحجام الكائنات.

الأهمية في معماريات اكتشاف الكائنات#

تُعد شبكات FPN ركيزة أساسية في معماريات اكتشاف الكائنات الحديثة. وقبل ظهورها، كان يتعين على النماذج الاختيار بين السرعة (باستخدام الطبقة النهائية فقط) والدقة (معالجة هرم صور، وهي عملية بطيئة جدًا). توفر شبكات FPN حلًا يجمع أفضل ما في الخيارين، إذ تتيح الاستدلال في الوقت الفعلي من دون التضحية بقدرات اكتشاف الكائنات الصغيرة.

تُعد هذه الكفاءة ضرورية لنماذج متقدمة مثل YOLO26، الذي يستخدم شبكات تجميع متطورة مستوحاة من مبادئ FPN (مثل PANet) لتحقيق أداء متطور. وتضمن البنية أنه سواء نُشر النموذج على أجهزة طرفية أو خوادم قوية عبر منصة Ultralytics، فإنه يحافظ على دقة عالية عبر مجموعات بيانات متنوعة.

التطبيقات الواقعية#

تجعل القدرة متعددة المقاييس لشبكات FPN منها عنصرًا لا غنى عنه في الصناعات التي تكون فيها السلامة والدقة ذات أهمية قصوى.

• الذكاء الاصطناعي في قطاع السيارات: يجب على المركبات ذاتية القيادة تتبع الشاحنات الكبيرة القريبة وإشارات المرور الصغيرة أو المشاة البعيدين في الوقت نفسه. وتتيح شبكات FPN لمكدس الإدراك معالجة هذه المقاييس المتباينة في مرور واحد، مما يضمن اتخاذ القرارات في الوقت المناسب. وغالبًا ما تُستخدم مجموعات بيانات مثل nuScenes لتقييم هذه القدرات.
• تحليل الصور الطبية: يتطلب اكتشاف الحالات المرضية في التصوير التشخيصي رصد شذوذات تختلف اختلافًا كبيرًا في الحجم. ويمكن لنموذج مزود بشبكة FPN تحديد كلٍّ من البنى العضوية الكبيرة والأورام الصغيرة في مراحلها المبكرة ضمن فحوصات MRI، مما يساعد أطباء الأشعة على وضع تشخيصات دقيقة.
• الذكاء الاصطناعي في الزراعة: تعتمد الزراعة الدقيقة على اكتشاف المحاصيل والآفات من الصور الملتقطة بالطائرات المسيّرة. وبما أن ارتفاع الطائرة المسيّرة قد يختلف، فإن حجم النباتات في الصورة يتغير. وتساعد شبكات FPN النماذج على التعميم جيدًا، وتنفيذ عدّ الكائنات بدقة بغض النظر عن ارتفاع الكاميرا.

شبكة FPN مقارنةً بمجمّعات الميزات الأخرى#

من المفيد التمييز بين شبكة FPN القياسية ومتغيراتها المطوّرة الموجودة في المعماريات الأحدث.

• شبكة FPN مقارنةً بـ PANet: بينما تضيف FPN مسارًا تنازليًا من الأعلى إلى الأسفل لإثراء الميزات، تضيف شبكة تجميع المسارات (PANet) مسارًا تصاعديًا إضافيًا من الأسفل إلى الأعلى فوق شبكة FPN. ويؤدي ذلك إلى تقصير مسار المعلومات للميزات منخفضة المستوى، مما يحسن التحديد المكاني أكثر، وهي تقنية تُكيّف غالبًا في نماذج YOLO.
• شبكة FPN مقارنةً بـ BiFPN: الموجودة في EfficientDet، تقدّم شبكة هرم الميزات ثنائية الاتجاه (BiFPN) أوزانًا قابلة للتعلّم لميزات مختلفة، وتزيل العقد التي لا تملك سوى مدخل واحد، مما يحسن كفاءة الشبكة.

مثال عملي#

تتعامل المكتبات المتقدمة مثل ultralytics داخليًا مع تعقيدات إنشاء شبكة FPN. وعند تحميل نموذج مثل YOLO26، تتضمن المعمارية تلقائيًا طبقات تجميع الميزات هذه لتعظيم الأداء.

from ultralytics import YOLO

# Load the YOLO26 model, which uses advanced feature pyramid principles internally
# The 'n' suffix indicates the nano version, optimized for speed
model = YOLO("yolo26n.pt")

# Perform inference on an image containing objects of various sizes
# The model's neck (FPN-based) aggregates features to detect small and large items
results = model("https://ultralytics.com/images/bus.jpg")

# Display results to see bounding boxes around buses (large) and people (small)
results[0].show()