Focal Loss

خسارة التركيز هي دالة هدف متخصصة تُستخدم أساسًا في التعلم العميق لمعالجة تحدي الاختلال الشديد في توازن الفئات. في العديد من مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام، يفوق عدد أمثلة الخلفية (العينات السلبية) عدد الأجسام محل الاهتمام (العينات الإيجابية) بفارق كبير. وتعامل الأساليب القياسية، مثل خسارة الانتروبيا المتقاطعة، جميع الأخطاء على قدم المساواة، ما يؤدي غالبًا إلى إغراق النموذج في الكم الهائل من بيانات الخلفية السهلة التصنيف. وتعدّل خسارة التركيز حساب الخسارة القياسي لتقليل وزن هذه الأمثلة السهلة، مما يجبر خوارزمية التحسين على تركيز قدرتها على التعلم على الأمثلة «الصعبة»—أي الأجسام النادرة صعبة التصنيف، وهي ضرورية لأداء النموذج.

آلية التركيز#

يكمن الابتكار الأساسي في خسارة التركيز في قدرتها على تغيير مقياس العقوبة المخصصة لكل عينة ديناميكيًا، بناءً على درجة ثقة النموذج. في سيناريو التعلم الخاضع للإشراف نموذجي، قد يقيّم الكاشف آلاف المواقع المرشحة في صورة واحدة. وبما أن معظم هذه المواقع لا تحتوي على أجسام، فإن دالة الخسارة القياسية تراكم العديد من إشارات الخطأ الصغيرة الناتجة عن هذه العينات السلبية السهلة، مما قد يطغى على الإشارة القيمة المستمدة من الحالات الإيجابية القليلة.

تُدخل خسارة التركيز عاملًا تعديليًا يخفّض مساهمة الخسارة كلما ازدادت الثقة في الفئة الصحيحة. وهذا يعني أنه إذا كان النموذج متأكدًا بنسبة 99% بالفعل من أن رقعة خلفية ما هي خلفية، فإن خسارة تلك الرقعة تنخفض إلى ما يقارب الصفر. وبالتالي، تُحدَّث أوزان النموذج أساسًا استنادًا إلى العينات المصنفة تصنيفًا خاطئًا أو العينات التي يكون النموذج غير واثق منها. ويُعد هذا النهج الموجّه ضروريًا لتدريب كاشفات الأجسام أحادية المرحلة عالية الأداء، مثل YOLO26، مما يتيح لها تحقيق دقة عالية دون الحاجة إلى مراحل أخذ عينات معقدة.

التطبيقات الواقعية#

يُعد التعامل مع بيانات التدريب غير المتوازنة أمرًا بالغ الأهمية لنشر أنظمة AI قوية في البيئات التي تكون فيها السلامة والدقة أولوية قصوى.

• AI في الرعاية الصحية: في مجالات مثل تحليل الصور الطبية، غالبًا ما يشبه تحديد الأمراض العثور على إبرة في كومة قش. فعلى سبيل المثال، في فحص بالرنين المغناطيسي للبحث عن آفات صغيرة، قد تشكل الأنسجة السليمة أكثر من 99% من وحدات البكسل. وقد يعمد نموذج قياسي إلى تعظيم الدقة البسيطة من خلال التنبؤ بكون كل شيء «سليمًا»، متجاهلًا التشخيص الحاسم. وتمكّن خسارة التركيز النظام من كبح الإشارة الصادرة عن الأنسجة السليمة الوفيرة وإعطاء الأولوية لتعلّم السمات الدقيقة للشذوذ، مما يحسّن الاستدعاء في عمليات الكشف المنقذة للحياة.
• المركبات ذاتية القيادة: يجب على أنظمة الإدراك للمركبات ذاتية القيادة اكتشاف مستخدمي الطريق المعرّضين للخطر، مثل المشاة وراكبي الدراجات، وسط خلفيات معقدة من المباني والطرق والسماء. وبينما يسهل تعلّم الخلفية، تمثل العوائق الصغيرة أو البعيدة تحديًا كبيرًا. ومن خلال استخدام خسارة التركيز، يمكن لتطبيقات AI في قطاع السيارات ضمان ألا تتجاهل منظومة الإدراك هذه الأجسام صعبة الاكتشاف، والحفاظ على معايير السلامة حتى عندما تشغل المخاطر جزءًا ضئيلًا جدًا من المجال البصري.

التنفيذ باستخدام Ultralytics#

تتضمن مكتبة ultralytics تطبيقات محسّنة لدوال خسارة متقدمة لدعم النماذج المتطورة. وبينما تعمل منصة Ultralytics على تهيئة هذه المعلمات الفائقة تلقائيًا لتحقيق التدريب الأمثل، يمكن للمطورين أيضًا الوصول إلى هذه المكونات مباشرةً لإجراء أبحاث مخصصة.

يوضح المثال التالي كيفية تهيئة خسارة التركيز باستخدام حزمة الأدوات ultralytics وحساب الخطأ لمجموعة من التنبؤات.

import torch
from ultralytics.utils.loss import FocalLoss

# Initialize Focal Loss.
# The 'gamma' parameter controls the focusing strength (higher = more focus on hard examples).
criterion = FocalLoss(gamma=1.5)

# Example: Model predictions (logits) and binary Ground Truth labels
# requires_grad=True simulates model outputs that need backpropagation
predictions = torch.tensor([[0.8], [-1.5], [0.1]], requires_grad=True)
targets = torch.tensor([[1.0], [0.0], [1.0]])

# Calculate the loss value
loss = criterion(predictions, targets)
print(f"Computed Focal Loss: {loss.item():.4f}")

التمييز عن المفاهيم ذات الصلة#

يساعد فهم موضع خسارة التركيز ضمن المشهد الأوسع لقياس الأخطاء على اختيار الاستراتيجية المناسبة لمهام الرؤية الحاسوبية المحددة.

• خسارة التركيز مقابل خسارة الانتروبيا المتقاطعة: تُعد الانتروبيا المتقاطعة المقياس الأساسي للتصنيف، إذ تعاقب التنبؤات استنادًا إلى الخطأ اللوغاريتمي. وخسارة التركيز هي امتداد صارم لخسارة الانتروبيا المتقاطعة؛ فإذا ضُبط معامل التركيز على الصفر، فإنها تعود رياضيًا إلى خسارة الانتروبيا المتقاطعة القياسية. ويتمثل الفرق الأساسي في قدرة خسارة التركيز على تقليل وزن العينات السلبية السهلة تلقائيًا، مما يجعلها أفضل لمجموعات البيانات غير المتوازنة مثل COCO.
• خسارة التركيز مقابل خسارة IoU: صُممت خسارة التركيز من أجل التصنيف (تحديد ماهية الجسم)، بينما تُستخدم خسارة IoU من أجل التحديد الموضعي (تحديد مكان الجسم). وتستخدم الكاشفات الحديثة دالة خسارة مركبة تجمع بين خسارة التركيز لاحتمالات الفئات والمقاييس المستندة إلى IoU لانحدار المربع المحيط.
• خسارة التركيز مقابل خسارة Dice: تُعد خسارة Dice تقنية أخرى تُستخدم للتعامل مع الاختلال، ولا سيما في مهام تقسيم الصور. وبينما تعمل خسارة التركيز على وحدات البكسل أو العينات الفردية استنادًا إلى درجة الثقة، تحسّن خسارة Dice التداخل بين المناطق المتنبأ بها ومناطق الحقيقة الأساسية على مستوى شامل. ومن الشائع استخدام كلتيهما معًا في سير عمل التقسيم المعقد.