الخسارة البؤرية

فقدان البؤرة هو دالة هدف متخصصة تستخدم بشكل أساسي في التعلم العميق لمعالجة التحدي المتمثل في اختلال التوازن الشديد بين الفئات. في العديد من مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات، يفوق عدد أمثلة الخلفية (العينات السلبية) بشكل كبير عدد الكائنات محل الاهتمام (العينات الإيجابية). الطرق القياسية، مثل Cross-Entropy Loss، تعامل جميع الأخطاء على قدم المساواة، مما يؤدي غالبًا إلى إرباك النموذج بسبب الحجم الهائل لبياناتclassify . تعمل خسارة التركيز على تعديل حساب الخسارة القياسي لتقليل وزن هذه الأمثلة السهلة، مما يجبر خوارزمية التحسين على تركيز قدرتها التعلمية على الأمثلة "الصعبة" —classify النادرةclassify التي تعتبر حاسمة لأداء النموذج .

آلية التركيز

تكمن الابتكار الأساسي لـ Focal Loss في قدرته على تقييم العقوبة المخصصة لكل عينة بشكل ديناميكي بناءً على ثقة النموذج. في سيناريو التعلم الخاضع للإشراف النموذجي ، قد يقوم الكاشف بتقييم آلاف المواقع المرشحة في الصورة. نظرًا لأن معظم هذه المواقع لا تحتوي على أي كائنات، فإن وظيفة الخسارة القياسية تجمع العديد من إشارات الخطأ الصغيرة من هذه السلبية السهلة، والتي يمكن أن تطغى على الإشارة القيمة من الحالات الإيجابية القليلة.

يقدم Focal Loss عامل تعديل يقلل من مساهمة الخسارة مع زيادة الثقة في الفئة الصحيحة . وهذا يعني أنه إذا كان النموذج متأكدًا بالفعل بنسبة 99٪ من أن رقعة الخلفية هي بالفعل خلفية، فإن الخسارة لتلك الرقعة تنخفض إلى ما يقرب من الصفر. وبالتالي، يتم تحديث أوزان النموذج بشكل أساسي بناءً على العينات المصنفة بشكل خاطئ أو تلك التي يكون النموذج غير متأكد منها. هذا النهج المستهدف ضروري لتدريب أجهزة الكشف عن الأجسام عالية الأداء ذات المرحلة الواحدة مثل YOLO26، مما يتيح لها تحقيق دقة عالية دون الحاجة إلى مراحل أخذ عينات معقدة.

تطبيقات واقعية

يعد التعامل مع بيانات التدريب غير المتوازنة أمرًا بالغ الأهمية لنشر أنظمة ذكاء اصطناعي قوية في بيئات تتسم فيها السلامة والدقة بأهمية قصوى.

• الذكاء الاصطناعي في الرعاية الصحية: في مجالات مثل تحليل الصور الطبية، غالبًا ما يكون تحديد الأمراض بمثابة البحث عن إبرة في كومة قش. على سبيل المثال، في فحص التصوير بالرنين المغناطيسي للبحث عن آفات صغيرة ، قد تشكل الأنسجة السليمة أكثر من 99٪ من البكسلات. قد يعمل النموذج القياسي على زيادة الدقة البسيطة إلى أقصى حد من خلال توقع أن جميع الأنسجة "سليمة"، مما يؤدي إلى إغفال التشخيص الحرج. تتيح تقنية Focal Loss للنظام قمع الإشارة الصادرة عن الأنسجة السليمة الوفيرة وإعطاء الأولوية لتعلم السمات الدقيقة للانحرافات، وبالتالي تحسين استرجاع الاكتشافات المنقذة للحياة.
• المركبات ذاتية القيادة: يجب أن detect أنظمة الإدراك الخاصة بالمركبات ذاتية القيادة مستخدمي الطرق detect مثل المشاة أو راكبي الدراجات في ظل خلفيات معقدة من المباني والطرق والسماء. في حين أن الخلفية سهلة التعلم، فإن العوائق الصغيرة أو البعيدة تشكل تحديًا كبيرًا. من خلال استخدام Focal Loss، يمكن للذكاء الاصطناعي في تطبيقات السيارات ضمان ألا تتجاهل مجموعة الإدراك هذهdetect ، مما يحافظ على معايير السلامة حتى عندما تشغل المخاطر جزءًا صغيرًا فقط من مجال الرؤية.

التنفيذ باستخدام Ultralytics

إن ultralytics تتضمن المكتبة تطبيقات محسّنة لوظائف الخسارة المتقدمة لدعم أحدث النماذج. في حين أن منصة Ultralytics تقوم تلقائيًا بتكوين هذه المعلمات الفائقة من أجل تدريب مثالي، ويمكن للمطورين أيضًا الوصول إلى هذه المكونات مباشرةً من أجل إجراء أبحاث مخصصة .

يوضح المثال التالي كيفية تهيئة Focal Loss باستخدام ultralytics حزمة الأدوات المساعدة و حساب 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

إن فهم مكانة فقدان البؤرة في المشهد الأوسع لقياس الأخطاء يساعد في اختيار الاستراتيجية الصحيحة لمهام الرؤية الحاسوبية المحددة.

• فقدان البؤرة مقابل فقدان التقاطع: التقاطع هو المقياس الأساسي للتصنيف الذي يعاقب التنبؤات بناءً على الخطأ اللوغاريتمي. الخسارة البؤرية هي امتداد للانتروبيا المتقاطعة؛ إذا تم تعيين معلمة التركيز على صفر، فإنها تعود رياضيًا إلى الانتروبيا المتقاطعة القياسية. الفرق الرئيسي هو قدرة الخسارة البؤرية على تقليل وزن السلبية السهلة تلقائيًا ، مما يجعلها متفوقة في مجموعات البيانات غير المتوازنة مثل COCO.
• خسارة بؤرية مقابل IoU : بينما تم تصميم الخسارة البؤرية للتصنيف (تحديد ماهية الكائن)، تُستخدم IoU للتحديد المكاني (تحديد مكان الكائن). تستخدم أجهزة الكشف الحديثة وظيفة خسارة مركبة تجمع بين الخسارة البؤرية لاحتمالات الفئات والمقاييس IoU لانحدار المربع المحيط.
• فقدان البؤرة مقابل فقدان النرد: فقدان النرد هو تقنية أخرى تستخدم للتعامل مع عدم التوازن، بشكل أساسي في مهام تقسيم الصور. بينما يعمل فقدان البؤرة على وحدات البكسل الفردية أو العينات بناءً على الثقة، يعمل فقدان النرد على تحسين التداخل بين المناطق المتوقعة والمناطق الحقيقية بشكل عام. من الشائع استخدام كلاهما معًا في عمليات سير العمل المعقدة لتقسيم الصور.