تجزئة المثيل

يعد تقسيم المثيل مهمة رؤية حاسوبية (CV) متقدمة تحدد وتحدد الكائنات الفردية داخل الصورة على مستوى البكسل. على عكس مهام الرؤية الأخرى، فإنه لا يصنف الصورة أو يرسم مربع إحاطة حول الكائنات فحسب؛ بل يقوم بدلاً من ذلك بإنشاء قناع دقيق على مستوى البكسل لكل مثيل كائن مميز. توفر هذه التقنية فهمًا أعمق للمشهد، حيث يمكنها التمييز بين الكائنات المتداخلة من نفس الفئة.

المثيل مقابل التقسيم الدلالي واكتشاف الكائنات

من المهم التمييز بين تجزئة المثيلات (instance segmentation) ومهام الرؤية الحاسوبية الأخرى ذات الصلة.

• اكتشاف الكائنات: تحدد هذه المهمة وجود وموقع الكائنات، عادةً عن طريق رسم مربعات محيطة مستطيلة حولها وتعيين تصنيف لها. تجيب هذه المهمة على السؤال "ماذا يوجد في الصورة وأين؟" ولكنها لا تقدم معلومات حول الشكل.
• التجزئة الدلالية: تصنف هذه المهمة كل بكسل في الصورة إلى فئة معينة. على سبيل المثال، سيتم تصنيف جميع وحدات البكسل التي تنتمي إلى السيارات على أنها "سيارة"، ولكنها لن تميز بين سيارتين مختلفتين في الصورة. يجيب على السؤال "إلى أي فئة ينتمي كل بكسل؟"
• التجزئة المثيلية (Instance Segmentation): يجمع هذا بين قدرات اكتشاف الكائنات والتجزئة الدلالية. فهو يكتشف كل مثيل كائن وينشئ قناع تجزئة فريدًا له. في صورة بها ثلاث سيارات، ستخرج التجزئة المثيلية ثلاثة أقنعة منفصلة، يتوافق كل منها مع سيارة معينة.
• تجزئة بانوبتيك: هذه هي المهمة الأكثر شمولاً في مهام التجزئة، حيث تدمج التجزئة الدلالية وتجزئة المثيل. تقوم بتعيين تصنيف فئة لكل بكسل ومعرف مثيل فريد، مما يوفر فهمًا كاملاً وموحدًا للمشهد.

كيف يعمل تجزئة المثيلات؟

عادةً ما تؤدي نماذج تقسيم المثيل وظيفتين رئيسيتين: أولاً، تكتشف جميع مثيلات الكائنات في الصورة، وثانيًا، تقوم بإنشاء قناع تقسيم لكل مثيل تم اكتشافه. تم نشر هذه العملية بشكل مشهور من خلال بنيات مثل Mask R-CNN، والتي توسع كاشفات الكائنات مثل Faster R-CNN عن طريق إضافة فرع متوازٍ يتنبأ بقناع ثنائي لكل منطقة من مناطق الاهتمام. قامت النماذج الحديثة بتحسين هذه العملية بشكل أكبر لتحسين السرعة والدقة، مما يتيح الاستدلال في الوقت الفعلي في العديد من التطبيقات. غالبًا ما يعتمد التطوير على أطر التعلم العميق القوية مثل PyTorch و TensorFlow.

تطبيقات واقعية

تعتبر مخططات الكائنات التفصيلية التي يوفرها تقسيم المثيلات ذات قيمة في العديد من المجالات.

• المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على تقسيم المثيلات لتحديد شكل وموقع المشاة والمركبات وراكبي الدراجات بدقة. هذه التفاصيل الدقيقة ضرورية للملاحة الآمنة وتخطيط المسار، خاصة في البيئات الحضرية المعقدة التي بها العديد من الكائنات المتداخلة. لعبت مجموعات البيانات مثل Cityscapes دورًا فعالًا في تطوير هذا المجال.
• تحليل الصور الطبية: في علم الأشعة، يتم استخدام تجزئة الحالات لتحديد الأورام والآفات والأعضاء من التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي بدقة عالية. يساعد هذا الأطباء على قياس حجم الورم والتخطيط للعمليات الجراحية ومراقبة فعالية العلاج. يمكنك معرفة المزيد حول هذا الموضوع في منشور مدونتنا حول استخدام YOLO11 للكشف عن الأورام.
• الروبوتات: تستخدم الروبوتات تجزئة المثيلات لفهم بيئتها، وتحديد الأجسام المحددة للإمساك بها، وتجنب العقبات بدقة أكبر. هذا أمر بالغ الأهمية للمهام في التصنيع و الخدمات اللوجستية.
• تحليل صور الأقمار الصناعية: تُستخدم هذه التقنية لحساب عدد الأشجار الفردية في الغابة، ورسم خرائط المباني في المدينة، أو تتبع التغيرات في استخدام الأراضي بمرور الوقت باستخدام بيانات من منظمات مثل NASA.
• الزراعة: يمكن استخدامه لتحديد وحساب الثمار الفردية لتقدير الغلة أو اكتشاف الأعشاب الضارة المحددة لتطبيق مبيدات الأعشاب المستهدفة، وهو جزء أساسي من الزراعة الدقيقة.

تجزئة المثيل مع Ultralytics YOLO

توفر Ultralytics نماذج حديثة قادرة على إجراء تجزئة فعالة للحالات. تم تصميم نماذج مثل YOLOv8 وأحدث YOLO11 لتقديم أداء عالٍ في مهام الرؤية المختلفة، بما في ذلك تجزئة الحالات. يمكنك العثور على مزيد من التفاصيل في وثائق مهمة التجزئة. يمكن للمستخدمين الاستفادة من النماذج المدربة مسبقًا أو إجراء الضبط الدقيق على مجموعات بيانات مخصصة مثل COCO باستخدام أدوات مثل منصة Ultralytics HUB، التي تبسط سير عمل التعلم الآلي (ML) من إدارة البيانات إلى نشر النموذج. للتنفيذ العملي، تتوفر موارد مثل البرنامج التعليمي الخاص بنا حول التجزئة باستخدام نماذج Ultralytics YOLOv8 المدربة مسبقًا أو دليلنا حول عزل كائنات التجزئة. يمكنك أيضًا تعلم كيفية استخدام Ultralytics YOLO11 لتجزئة الحالات.