تجزئة الصور

أنواع تجزئة الصور

يمكن تصنيف تجزئة الصور إلى ثلاثة أنواع رئيسية، يقدم كل منها مستوى مختلفاً من التفاصيل ويخدم أغراضاً مختلفة:

• التقسيم الدلالي: تصنف هذه التقنية كل بكسل في الصورة إلى فئة محددة مسبقًا، مثل "سيارة" أو "طريق" أو "سماء". يتم تجميع كل المثيلات من نفس فئة الكائن تحت تصنيف واحد. على سبيل المثال، في صورة تحتوي على سيارات متعددة، فإن التجزئة الدلالية تصنف جميع وحدات البكسل التي تنتمي إلى أي سيارة على أنها "سيارة" ببساطة، دون تمييز سيارة عن أخرى.
• تجزئة المثيل: تأخذ هذه الطريقة التجزئة خطوة أخرى إلى الأمام من خلال عدم الاكتفاء بتصنيف كل بكسل فحسب، بل أيضًا التمييز بين المثيلات الفردية من نفس الفئة. في نفس مشهد الشارع، سيؤدي تجزئة المثيل إلى تحديد كل سيارة ككائن فريد، وتعيين قناع منفصل ل "السيارة 1" و "السيارة 2" وهكذا. هذا مفيد بشكل خاص عندما يكون من الضروري عد أو تتبع الأجسام الفردية.
• التجزئة الشاملة: كنهج هجين، يجمع التقسيم الشامل بين نقاط القوة في كل من التقسيم الدلالي وتقسيم المثيل. وهو يهدف إلى إنشاء فهم كامل وموحد للمشهد من خلال تعيين تسمية فئة لكل بكسل على حدة (مثل التجزئة الدلالية) مع تحديد كل كائن بشكل فريد (مثل تجزئة المثيل). يوفر ذلك التحليل الأكثر شمولاً للمشهد المتاح.

كيف يختلف تقسيم الصور عن مهام السيرة الذاتية الأخرى

من المهم التمييز بين تجزئة الصور ومهام الرؤية الحاسوبية الشائعة الأخرى:

• تصنيف الصور: يركز على تعيين تسمية واحدة لصورة كاملة (على سبيل المثال، "هذه صورة لشاطئ"). يفهم ما هو موجود في الصورة ولكن ليس أين.
• اكتشاف الكائنات: يحدد الأجسام داخل الصورة ويحدد موقعها، عادةً عن طريق رسم مربع محدد حولها. يخبرك بالأجسام الموجودة وموقعها التقريبي ولكن ليس شكلها الدقيق.
• تجزئة الصور: يوفر 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 لتجزئة 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 والممرات والمشاة والمركبات الأخرى والعوائق، مما يتيح تخطيط المسار واتخاذ القرارات بشكل أفضل. يمكنك قراءة المزيد عن دور الذكاء الاصطناعي في صناعة السيارات.
• تحليل الصور الطبية: في مجال الرعاية الصحية، يُستخدم التجزئة لتحليل الفحوصات الطبية مثل التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب. ويمكنه تحديد الأورام أو الأعضاء أو الحالات الشاذة بدقة، مما يساعد الأطباء في التشخيص الدقيق والتخطيط الجراحي ومراقبة تطور المرض. وقد كان هذا تطبيقًا رئيسيًا للمعماريات مثل U-Net، التي تتفوق في السياقات الطبية الحيوية.
• تحليل صور الأقمار الصناعية: تقوم نماذج التجزئة بمعالجة صور الأقمار الصناعية لرصد التغيرات البيئية، مثل إزالة الغابات أو التحضر. ويمكنها تصنيف الغطاء الأرضي (مثل الغابات والمياه والمناطق الحضرية) والكشف عن الأجسام الفردية مثل المباني أو السفن لرسم الخرائط وجمع المعلومات الاستخبارية.
• التصنيع والروبوتات: في المصانع المؤتمتة، يساعد التجزئة الروبوتات في المصانع المؤتمتة على تحديد أجزاء معينة على الحزام الناقل للتجميع أو إجراء مراقبة الجودة من خلال اكتشاف العيوب بدقة عالية. يمكنك معرفة المزيد عن استخدامه في تجزئة الشقوق.

تجزئة الصور والتحليلات الفوقية YOLO

تُعد نماذج التعلّم العميق الحديثة، خاصةً تلك التي تعتمد على الشبكات العصبية التلافيفية (CNNs)، هي المعيار لتجزئة الصور. وتوفر نماذج Ultralytics YOLO، بما في ذلك YOLOv8 وأحدثها YOLO11، قدرات تجزئة عالية الأداء في الوقت الحقيقي. يمكن تدريب هذه النماذج بسهولة على مجموعات البيانات القياسية مثل COCO أو مجموعات البيانات المخصصة للمهام المتخصصة.

يبسّط إطار عمل Ultralytics سير العمل بأكمله، بدءًا من تدريب النموذج إلى التحقق من صحة أدائه ونشره للاستدلال. للاطلاع على دليل عملي، يمكنك متابعة البرامج التعليمية حول تجزئة الصور باستخدام YOLO11 على Google Colab أو تعلم كيفية عزل الكائنات المجزأة. تقدم أدوات مثل Ultralytics HUB حلاً بدون تعليمات برمجية لإدارة مجموعات البيانات، وتدريب النماذج باستخدام الموارد السحابية، ونشرها في تطبيقات العالم الحقيقي.