تجزئة الصور

تجزئة الصور هي مهمة أساسية في الرؤية الحاسوبية (CV) تتضمن تقسيم صورة رقمية إلى مناطق أو شرائح متميزة متعددة. الهدف هو تعيين تسمية محددة لكل بكسل في الصورة، مما يؤدي فعليًا إلى إنشاء خريطة على مستوى البكسل للكائنات والخلفية. على عكس مهام الرؤية الحاسوبية الأخرى التي قد تحدد موقع الكائن بمربع بسيط، توفر تجزئة الصور فهمًا أكثر تفصيلاً من خلال تحديد الشكل الدقيق لكل كائن. هذه التفاصيل الدقيقة ضرورية للتطبيقات التي تتطلب فهمًا عميقًا لهندسة المشهد وتكوينه. العملية أساسية للعديد من تطبيقات الذكاء الاصطناعي المتقدمة.

أنواع تجزئة الصور

يمكن تصنيف تجزئة الصور إلى ثلاثة أنواع رئيسية، يقدم كل منها مستوى مختلفًا من التفاصيل ويخدم أغراضًا متميزة:

• التجزئة الدلالية (Semantic Segmentation): يصنف هذا الأسلوب كل بكسل في الصورة إلى فئة محددة مسبقًا، مثل "سيارة" أو "طريق" أو "سماء". يتم تجميع جميع مثيلات فئة الكائن نفسها تحت تسمية واحدة. على سبيل المثال، في صورة بها عدة سيارات، ستقوم التجزئة الدلالية بتسمية جميع وحدات البكسل التي تنتمي إلى أي سيارة ببساطة "سيارة"، دون تمييز سيارة عن أخرى.
• تجزئة المثيلات: تتجاوز هذه الطريقة التجزئة خطوة أخرى من خلال عدم تصنيف كل بكسل فحسب، بل أيضًا التمييز بين الحالات الفردية من نفس الفئة. في مشهد شارع مماثل، ستحدد تجزئة المثيلات كل سيارة ككائن فريد، وتعيين قناع منفصل لـ "السيارة 1" و "السيارة 2" وما إلى ذلك. وهذا مفيد بشكل خاص عند الحاجة إلى عد أو تتبع الكائنات الفردية.
• تجزئة بانوبتيك (Panoptic Segmentation): كتّوجه هجين، تجمع تجزئة بانوبتيك بين نقاط القوة لكل من التجزئة الدلالية وتجزئة المثيل. تهدف إلى إنشاء فهم كامل وموحد للمشهد عن طريق تعيين تسمية فئة لكل بكسل واحد (مثل التجزئة الدلالية) مع تحديد كل مثيل كائن بشكل فريد (مثل تجزئة المثيل). يوفر هذا التحليل الأكثر شمولاً للمشهد المتاح.

كيف يختلف تجزئة الصور عن مهام الرؤية الحاسوبية الأخرى

من المهم التمييز بين تجزئة الصور ومهام رؤية الكمبيوتر الشائعة الأخرى:

• تصنيف الصور: يركز على تعيين تصنيف واحد لصورة بأكملها (مثل "هذه صورة لشاطئ"). وهو يفهم ما هو موجود في الصورة ولكن ليس مكانه.
• اكتشاف الكائنات: يحدد مواقع الكائنات داخل الصورة، عادةً عن طريق رسم مربع إحاطة حولها. يخبرك بالكائنات الموجودة وموقعها التقريبي ولكن ليس شكلها الدقيق.
• تجزئة الصور: توفر أكبر قدر من التفاصيل من خلال تحديد الحدود الدقيقة لكل كائن على مستوى البكسل، مما يوفر فهمًا دقيقًا لشكل الكائن وموقعه.

التطبيقات وحالات الاستخدام

إن المخرجات التفصيلية لتقسيم الصور تجعلها لا تقدر بثمن في العديد من المجالات.

• المركبات ذاتية القيادة: لكي تتمكن السيارات ذاتية القيادة من التنقل بأمان، فإنها تحتاج إلى فهم دقيق لبيئتها. تحدد نماذج التجزئة الحدود الدقيقة للطريق والمسارات والمشاة والمركبات الأخرى والعقبات، مما يتيح تخطيطًا أفضل للمسار واتخاذ قرارات أفضل. يمكنك قراءة المزيد عن دور الذكاء الاصطناعي في صناعة السيارات.
• تحليل الصور الطبية: في مجال الرعاية الصحية، يُستخدم تقسيم الصور لتحليل الفحوصات الطبية مثل التصوير بالرنين المغناطيسي (MRI) أو التصوير المقطعي المحوسب (CT). يمكنه تحديد الأورام أو الأعضاء أو الحالات الشاذة بدقة، مما يساعد الأطباء في التشخيص الدقيق والتخطيط الجراحي ومراقبة تطور المرض. كان هذا تطبيقًا رئيسيًا للهياكل مثل U-Net، والتي تتفوق في السياقات الطبية الحيوية.
• تحليل صور الأقمار الصناعية: تعالج نماذج التجزئة صور الأقمار الصناعية لمراقبة التغيرات البيئية، مثل إزالة الغابات أو التوسع الحضري. يمكنهم تصنيف الغطاء الأرضي (مثل الغابات والمياه والمناطق الحضرية) واكتشاف الكائنات الفردية مثل المباني أو السفن لأغراض رسم الخرائط وجمع المعلومات الاستخبارية.
• التصنيع والروبوتات: في المصانع الآلية، تساعد التجزئة الروبوتات على تحديد أجزاء معينة على حزام ناقل للتجميع أو إجراء فحص الجودة عن طريق اكتشاف العيوب بدقة عالية. يمكنك معرفة المزيد حول استخدامه في تجزئة الشقوق.

تجزئة الصور و Ultralytics YOLO

تعتبر نماذج التعلم العميق الحديثة، وخاصة تلك القائمة على الشبكات العصبية الالتفافية (CNNs)، هي المعيار لتقسيم الصور. توفر نماذج Ultralytics YOLO، بما في ذلك YOLOv8 وأحدث YOLO11، إمكانات تجزئة عالية الأداء وفي الوقت الفعلي. يمكن تدريب هذه النماذج بسهولة على مجموعات البيانات القياسية مثل COCO أو مجموعات البيانات المخصصة للمهام المتخصصة.

يبسط إطار عمل Ultralytics سير العمل بأكمله، بدءًا من تدريب النموذج وحتى التحقق من أدائه ونشره للاستدلال. للحصول على دليل عملي، يمكنك اتباع دروس حول تقسيم الصور باستخدام YOLO11 على Google Colab أو تعلم كيفية عزل الكائنات المقسمة. تقدم أدوات مثل Ultralytics HUB حلاً بدون تعليمات برمجية لإدارة مجموعات البيانات وتدريب النماذج باستخدام موارد السحابة و نشرها في تطبيقات العالم الحقيقي.