Image Segmentation

تجزئة الصور هي تقنية متطورة في رؤية الحاسوب (CV) تتضمن تقسيم الصورة الرقمية إلى مجموعات فرعية متعددة من البكسلات، والتي غالباً ما يشار إليها بقطاعات الصور أو المناطق. وعلى عكس تصنيف الصور القياسي، الذي يعين تصنيفاً واحداً للصورة بأكملها، تحلل التجزئة البيانات المرئية على مستوى أكثر دقة من خلال تعيين تصنيف فئة محدد لكل بكسل فردي. وتنشئ هذه العملية خريطة دقيقة على مستوى البكسل، مما يسمح لنماذج الذكاء الاصطناعي (AI) بفهم ليس فقط الكائنات الموجودة، بل أيضاً أماكن وجودها بدقة وما هي حدودها المحددة.

Link to this sectionآليات تحليل مستوى البكسل#

لتحقيق هذا الفهم عالي الدقة، تستفيد نماذج التجزئة عادةً من بنيات التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs). تعمل هذه الشبكات كمستخرجات قوية للميزات، حيث تحدد أنماطاً مثل الحواف والقوام والأشكال المعقدة. وغالباً ما تستخدم بنيات التجزئة التقليدية، مثل U-Net الكلاسيكية، هيكل التشفير وفك التشفير. يقوم المشفر بضغط صورة الإدخال لالتقاط السياق الدلالي، بينما يقوم فك التشفير بإعادة بناء التفاصيل المكانية لإخراج قناع تجزئة نهائي.

أدت التطورات الحديثة إلى بنيات في الوقت الفعلي مثل YOLO26، الذي تم إصداره في يناير 2026. تدمج هذه النماذج إمكانيات التجزئة مباشرة في مسار عمل متكامل، مما يسمح بمعالجة عالية السرعة على أجهزة مختلفة، بدءاً من GPUs السحابية وصولاً إلى أجهزة الحافة.

Link to this sectionالأنواع الأساسية للتجزئة#

اعتماداً على الهدف المحدد للمشروع، يختار المطورون عموماً بين ثلاث تقنيات رئيسية للتجزئة:

• التجزئة الدلالية (Semantic Segmentation): تصنف هذه الطريقة البكسلات بناءً على فئتها ولكنها لا تميز بين الكائنات المنفصلة من نفس الفئة. على سبيل المثال، في تحليل صور الأقمار الصناعية، يتم تلوين جميع البكسلات التي تمثل "غابة" باللون الأخضر، مع التعامل مع الغابة بأكملها ككيان واحد.
• تجزئة المثيلات (Instance Segmentation): تحدد هذه التقنية الكائنات الفردية المتميزة محل الاهتمام وتفصل بينها. في مشهد شارع مزدحم، ستنشئ تجزئة المثيلات قناعاً فريداً لـ "السيارة أ"، و"السيارة ب"، و"المشاة أ"، مما يتيح للأنظمة عد وتتبع كيانات معينة. تعد هذه ميزة أساسية في عائلة نماذج Ultralytics YOLO26.
• التجزئة الشمولية (Panoptic Segmentation): نهج هجين يجمع بين تغطية التجزئة الدلالية ودقة تجزئة المثيلات. وهو يعين تصنيفاً لكل بكسل، مع التمييز بين عناصر الخلفية غير المحددة (مثل السماء والطريق) مع تحديد الكائنات الأمامية القابلة للعد بشكل فريد.

Link to this sectionالتمييز عن اكتشاف الكائنات#

من الضروري التمييز بين التجزئة واكتشاف الكائنات (object detection). بينما تحدد خوارزميات الاكتشاف العناصر مكانياً باستخدام صندوق محيط (bounding box) مستطيل، فإنها تتضمن حتماً بكسلات الخلفية داخل هذا الصندوق. توفر التجزئة تمثيلاً أكثر دقة وإحكاماً من خلال تتبع الكونتور أو المضلع الدقيق للكائن. هذا الاختلاف حيوي لتطبيقات مثل الإمساك الروبوتي (robotic grasping)، حيث يجب أن يعرف الذراع الروبوتي الهندسة الدقيقة للعنصر للتلاعب به دون اصطدام.

Link to this sectionتطبيقات العالم الحقيقي#

تدفع الدقة التي توفرها تجزئة الصور الابتكار عبر صناعات متنوعة:

• التشخيص الطبي: في مجال تحليل الصور الطبية، تعتبر التجزئة ضرورية لتحديد الهياكل التشريحية. تحلل الخوارزميات صور الرنين المغناطيسي (MRI scans) لرسم حدود الأورام أو الأعضاء، مما يسمح للجراحين بحساب الأحجام الدقيقة وتخطيط الإجراءات بدقة تنقذ الأرواح.
• القيادة الذاتية: تعتمد المركبات ذاتية القيادة على التجزئة للتنقل بأمان. من خلال معالجة تدفقات الفيديو، يمكن لحاسوب المركبة التمييز بين الممرات القابلة للقيادة والأرصفة والعوائق. تحدد منظمات المعايير مثل SAE International مستويات الاستقلالية التي تستلزم هذا الإدراك البيئي عالي الدقة.
• الزراعة الدقيقة: في الذكاء الاصطناعي في الزراعة، تساعد التجزئة الأنظمة الروبوتية في تحديد الأعشاب الضارة وسط المحاصيل. من خلال إنشاء أقنعة لأوراق نباتية معينة، يمكن للرشاشات الآلية استهداف الأنواع الغازية فقط، مما يقلل بشكل كبير من استخدام مبيدات الأعشاب.

Link to this sectionتنفيذ التجزئة باستخدام YOLO26#

يمكن للمطورين تنفيذ تجزئة المثيلات بكفاءة باستخدام حزمة ultralytics لـ Python. يستخدم المثال التالي نموذج YOLO26 المتطور، والذي تم تحسينه من أجل السرعة والدقة.

from ultralytics import YOLO

# Load a pre-trained YOLO26 segmentation model
# 'n' denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image to generate masks
# The model identifies objects and outlines their shape
results = model("https://ultralytics.com/images/bus.jpg")

# Display the image with segmentation overlays
results[0].show()

لتحقيق أداء عالٍ في المهام المخصصة، تحتاج الفرق غالباً إلى تنسيق بيانات تدريب عالية الجودة. تبسط منصة Ultralytics هذه العملية من خلال توفير أدوات لتعليق الصور بأقنعة مضلعة، وإدارة مجموعات البيانات، وتدريب النماذج في السحابة، مما يبسط دورة حياة عمليات تعلم الآلة (MLOps) بأكملها. كما تُستخدم مكتبات مثل OpenCV أيضاً بشكل متكرر جنباً إلى جنب مع هذه النماذج للمعالجة المسبقة للصور والمعالجة اللاحقة للأقنعة الناتجة.