Image Segmentation

تُعدّ تجزئة الصور تقنية متقدمة في الرؤية الحاسوبية (CV) تتضمن تقسيم الصورة الرقمية إلى مجموعات فرعية متعددة من وحدات البكسل، يُشار إليها غالبًا باسم مقاطع الصور أو المناطق. وعلى خلاف تصنيف الصور التقليدي، الذي يُسند تصنيفًا واحدًا إلى الصورة بأكملها، تحلل التجزئة البيانات المرئية على مستوى أكثر دقة بكثير، من خلال إسناد تصنيف محدد إلى كل بكسل على حدة. تنشئ هذه العملية خريطة دقيقة على مستوى البكسل، مما يتيح لنماذج الذكاء الاصطناعي (AI) فهم ليس فقط الأجسام الموجودة، بل أيضًا مواضعها الدقيقة وحدودها المحددة.

آلية التحليل على مستوى البكسل#

لتحقيق هذا الفهم عالي الدقة، تستفيد نماذج التجزئة عادةً من بنيات التعلم العميق (DL)، ولا سيما الشبكات العصبية الالتفافية (CNNs). تعمل هذه الشبكات كمستخلصات قوية للسمات، فتحدد أنماطًا مثل الحواف والأنسجة والأشكال المعقدة. وغالبًا ما تستخدم بنيات التجزئة التقليدية، مثل U-Net الكلاسيكية، بنيةً مؤلفة من مُرمّز ومُفكّك ترميز. يضغط المُرمّز صورة الإدخال لالتقاط السياق الدلالي، بينما يعيد مُفكّك الترميز بناء التفاصيل المكانية لإخراج قناع التجزئة النهائي.

أدت التطورات الحديثة إلى ظهور بنيات آنية مثل YOLO26، التي أُطلقت في يناير 2026. تدمج هذه النماذج إمكانات التجزئة مباشرةً في خط أنابيب شامل من البداية إلى النهاية، مما يتيح معالجة عالية السرعة على عتاد متنوع، بدءًا من وحدات معالجة الرسومات (GPUs) السحابية ووصولًا إلى الأجهزة الطرفية.

الأنواع الرئيسية للتجزئة#

اعتمادًا على الهدف المحدد للمشروع، يختار المطورون عمومًا بين ثلاث تقنيات رئيسية للتجزئة:

• التجزئة الدلالية: تصنّف هذه الطريقة وحدات البكسل استنادًا إلى فئتها، لكنها لا تميّز بين الأجسام المنفصلة التي تنتمي إلى الفئة نفسها. فعلى سبيل المثال، في تحليل صور الأقمار الصناعية، ستُلوّن جميع وحدات البكسل التي تمثل «غابة» باللون الأخضر، مع التعامل مع الغابة بأكملها باعتبارها كيانًا واحدًا.
• تجزئة الكيانات: تحدد هذه التقنية الأجسام الفردية المميزة موضع الاهتمام وتفصل بينها. ففي مشهد شارع مزدحم، ستنشئ تجزئة الكيانات قناعًا فريدًا لـ«السيارة A» و«السيارة B» و«المشاة A»، مما يتيح للأنظمة عدّ كيانات محددة وتتبعها. وتُعد هذه إحدى الميزات الأساسية لعائلة نماذج Ultralytics YOLO26.
• التجزئة البانوبتيقية: نهج هجين يجمع بين شمول التجزئة الدلالية ودقة تجزئة الكيانات. يُسند هذا النهج تصنيفًا إلى كل بكسل، ويميز عناصر الخلفية غير المتجانسة، مثل السماء والطريق، مع تحديد الأجسام الأمامية القابلة للعد بشكل فريد.

التمييز عن اكتشاف الأجسام#

من الضروري التمييز بين التجزئة واكتشاف الأجسام. ففي حين تحدد خوارزميات الاكتشاف مواضع العناصر باستخدام مربع إحاطة مستطيل، فإنها تتضمن حتمًا وحدات بكسل من الخلفية داخل ذلك المربع. وتوفر التجزئة تمثيلًا أضيق وأكثر دقة من خلال تتبع المحيط أو المضلع الدقيق للجسم. ويكتسب هذا الفرق أهمية بالغة في تطبيقات مثل الإمساك الآلي، حيث يجب على ذراع آلية معرفة الهندسة الدقيقة لعنصر ما لمناولته من دون اصطدام.

التطبيقات الواقعية#

تقود الدقة التي توفرها تجزئة الصور الابتكار في صناعات متنوعة:

• التشخيص الطبي: في مجال تحليل الصور الطبية، تُعد التجزئة ضرورية لتحديد حدود البنى التشريحية. تحلل الخوارزميات فحوصات التصوير بالرنين المغناطيسي (MRI) لتحديد حدود الأورام أو الأعضاء، مما يتيح للجراحين حساب الأحجام بدقة والتخطيط للإجراءات بدرجة دقة منقذة للحياة.
• القيادة الذاتية: تعتمد المركبات ذاتية القيادة على التجزئة للتنقل بأمان. ومن خلال معالجة تدفقات الفيديو، يستطيع حاسوب المركبة التمييز بين المسارات القابلة للقيادة والأرصفة والعوائق. وتحدد هيئات وضع المعايير، مثل SAE International، مستويات الاستقلالية التي تتطلب هذا الإدراك عالي الدقة للبيئة.
• الزراعة الدقيقة: في مجال الذكاء الاصطناعي في الزراعة، تساعد التجزئة الأنظمة الآلية على تحديد الأعشاب الضارة وسط المحاصيل. ومن خلال إنشاء أقنعة لأوراق نباتية محددة، تستطيع المرشّات الآلية استهداف الأنواع الغازية فقط، مما يقلل استخدام مبيدات الأعشاب بدرجة كبيرة.

تنفيذ التجزئة باستخدام Ultralytics YOLO26#

يمكن للمطورين تنفيذ تجزئة الكيانات بكفاءة باستخدام حزمة Python ultralytics. يستخدم المثال التالي نموذج YOLO26 المتطور، المحسّن لتحقيق السرعة والدقة معًا.

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 غالبًا إلى تنسيق بيانات تدريب عالية الجودة. وتبسّط منصة Ultralytics هذه العملية من خلال توفير أدوات لإضافة تعليقات توضيحية إلى الصور باستخدام أقنعة مضلعة، وإدارة مجموعات البيانات، وتدريب النماذج في السحابة، مما يسهّل دورة حياة عمليات التعلم الآلي (MLOps) بأكملها. كما تُستخدم مكتبات مثل OpenCV كثيرًا إلى جانب هذه النماذج للمعالجة المسبقة للصور والمعالجة اللاحقة للأقنعة الناتجة.