Image Segmentation

تجزئة الصور هي تقنية متطورة في computer vision (CV) تتضمن تقسيم الصورة الرقمية إلى مجموعات فرعية متعددة من وحدات البكسل، وغالباً ما تسمى قطاعات الصور أو المناطق. على عكس image classification القياسية، والتي تعين تصنيفاً واحداً لصورة بأكملها، فإن التجزئة تحلل البيانات المرئية على مستوى أكثر تفصيلاً بكثير من خلال تعيين تصنيف فئة محدد لكل بكسل فردي. تنشئ هذه العملية خريطة دقيقة على مستوى البكسل، مما يسمح لنماذج artificial intelligence (AI) بفهم ليس فقط الكائنات الموجودة، بل وأين تقع بالضبط وما هي حدودها المحددة.

آليات تحليل مستوى البكسل#

لتحقيق هذا الفهم عالي الدقة، تستفيد نماذج التجزئة عادةً من بنيات deep learning (DL)، ولا سيما Convolutional Neural Networks (CNNs). تعمل هذه الشبكات كمستخرجات ميزات قوية، حيث تحدد أنماطاً مثل الحواف، والأنسجة، والأشكال المعقدة. غالباً ما تستخدم بنيات التجزئة التقليدية، مثل U-Net الكلاسيكية، هيكل مشفر-فاحص (مشفِّر ومفكِّر تشفير). يقوم المشفر بضغط صورة الإدخال التقاط السياق الدلالي، بينما يعيد فك التشفير بناء التفاصيل المكانية لإخراج segmentation mask نهائي.

أدت التطورات الحديثة إلى بنيات في الوقت الفعلي مثل YOLO26، والتي تم إطلاقها في يناير 2026. تدمج هذه النماذج قدرات التجزئة مباشرة في مسار عمل متكامل، مما يسمح بمعالجة عالية السرعة على الأجهزة المختلفة، من GPUs السحابية إلى الأجهزة الطرفية.

الأنواع الأساسية للتجزئة#

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

• Semantic Segmentation: تصنف هذه الطريقة وحدات البكسل بناءً على فئتها ولكنها لا تميز بين الكائنات المنفصلة من نفس الفئة. على سبيل المثال، في satellite image analysis، سيتم تلوين جميع وحدات البكسل التي تمثل "الغابة" باللون الأخضر، مع التعامل مع الغابة بأكملها ككيان واحد.
• Instance Segmentation: تحدد هذه التقنية وتفصل الكائنات الفردية المميزة ذات الاهتمام. في مشهد شارع مزدحم، ستنشئ تجزئة المثيل قناعاً فريداً لـ "السيارة أ"، و"السيارة ب"، و"الراجل أ"، مما يتيح للأنظمة عد وتتبع كيانات محددة. هذه ميزة أساسية لعائلة نموذج Ultralytics YOLO26.
• Panoptic Segmentation: نهج هجين يجمع بين تغطية التجزئة الدلالية ودقة تجزئة المثيل. إنه يعين تسمية لكل بكسل، مميزاً عناصر الخلفية غير المحددة (مثل السماء والطريق) بينما يحدد بشكل فريد كائنات المقدمة القابلة للعد.

التمييز عن اكتشاف الكائنات#

من الأهمية بمكان التمييز بين التجزئة وobject detection. في حين أن خوارزميات الاكتشاف تحدد موقع العناصر باستخدام bounding box مستطيل، إلا أنها حتماً تتضمن بكسلات الخلفية داخل هذا المربع. توفر التجزئة تمثیلاً أكثر إحكاماً وأكثر دقة من خلال تتبع المحيط الدقيق أو المضلع للكائن. هذا الاختلاف حيوي لتطبيقات مثل robotic grasping، حيث يجب أن تعرف ذراع الروبوت الهندسة الدقيقة للعنصر للتعامل معه دون تصادم.

تطبيقات العالم الحقيقي#

تدفع الدقة التي توفرها تجزئة الصور الابتكار عبر صناعات متنوعة:

• التشخيص الطبي: في مجال medical image analysis، تعتبر التجزئة ضرورية لتحديد الهياكل التشريحية. تحلل الخوارزميات MRI scans لتحديد الأورام أو حدود الأعضاء، مما يسمح للجراحين بحساب الأحجام بدقة والتخطيط للإجراءات بدقة منقذة للحياة.
• القيادة الذاتية: تعتمد المركبات ذاتية القيادة على التجزئة للتنقل بأمان. من خلال معالجة تدفقات الفيديو، يمكن لحاسوب السيارة التمييز بين drivable lanes والأرصفة والعقبات. تحدد منظمات المعايير مثل SAE International مستويات الحكم الذاتي التي تتطلب هذا الإدراك البيئي عالي الدقة.
• الزراعة الدقيقة: في مجال AI in agriculture، تساعد التجزئة الأنظمة الروبوتية في تحديد الأعشاب الضارة وسط المحاصيل. من خلال إنشاء أقنعة لأوراق النباتات المعينة، يمكن للرشاشات الآلية استهداف الأنواع الغازية وحدها، مما يقلل بشكل كبير من استخدام مبيدات الأعشاب.

تنفيذ التجزئة باستخدام YOLO26#

يمكن للمطورين تنفيذ تجزئة المثيل بكفاءة باستخدام حزمة Python ultralytics. يستخدم المثال التالي نموذج YOLO26 model المتطور، والذي تم تحسينه لكل من 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، غالباً ما تحتاج الفرق إلى تنسيق training data عالية الجودة. تبسط Ultralytics Platform هذه العملية من خلال توفير أدوات لتصنيف الصور بأقنعة مضلعة، وإدارة مجموعات البيانات، وتدريب النماذج في السحاب، مما تبسط دورة حياة machine learning operations (MLOps) بأكملها. تُستخدم مكتبات مثل OpenCV أيضاً بشكل متكرر جنباً إلى جنب مع هذه النماذج للمعالجة المسبقة للصور ومعالجة الأقنعة الناتجة.