تجزئة المثيل

المثيل مقابل الكشف عن الدلالات والكائنات

من المهم التمييز بين تجزئة النماذج ومهام الرؤية الحاسوبية الأخرى ذات الصلة.

• اكتشاف الكائنات: تحدد هذه المهمة وجود الكائنات وموقعها، عادةً عن طريق رسم مربعات مستطيلة حولها وتعيين تسمية فئة. وهي تجيب على سؤال "ماذا يوجد في الصورة وأين هو؟" لكنها لا توفر معلومات عن الشكل.
• التقسيم الدلالي: تصنف هذه المهمة كل بكسل في الصورة إلى فئة محددة. على سبيل المثال، قد تصنف جميع وحدات البكسل التي تنتمي إلى السيارات على أنها "سيارة"، ولكنها لن تميز بين سيارتين مختلفتين في الصورة. وهي تجيب على السؤال "ما الفئة التي ينتمي إليها كل بكسل؟
• تجزئة المثيل: يجمع هذا بين إمكانيات اكتشاف الكائنات والتجزئة الدلالية. فهو يكتشف كل مثيل كائن ويُنشئ قناع تجزئة فريد له. في صورة تحتوي على ثلاث سيارات، سيؤدي تجزئة المثيل إلى إنتاج ثلاثة أقنعة منفصلة، كل منها يتوافق مع سيارة معينة.
• التجزئة الشاملة: هذه هي أكثر مهام التجزئة شمولاً من بين مهام التجزئة، حيث تدمج التجزئة الدلالية وتجزئة المثيل. وهو يعيّن لكل بكسل تسمية فئة ومعرف مثيل فريد، مما يوفر فهمًا كاملاً وموحدًا للمشهد.

كيفية عمل تجزئة المثيل

عادةً ما تؤدي نماذج تجزئة المثيل وظيفتين رئيسيتين: أولاً، تكتشف جميع مثيلات الكائنات في الصورة، وثانياً، تولد قناع تجزئة لكل مثيل تم اكتشافه. وقد اشتهرت هذه العملية من خلال بنيات مثل Mask R-CNN، التي توسع كاشفات الكائنات مثل Faster R-CNN بإضافة فرع موازٍ يتنبأ بقناع ثنائي لكل منطقة ذات أهمية. وقد حسّنت النماذج الحديثة هذه العملية بشكل أكبر لتحسين السرعة والدقة، مما يتيح الاستدلال في الوقت الحقيقي في العديد من التطبيقات. يعتمد التطوير غالبًا على أطر عمل قوية للتعلم العميق مثل PyTorch و TensorFlow.

التطبيقات الواقعية

تُعد المخططات التفصيلية للكائنات التي يوفرها تجزئة النماذج ذات قيمة في العديد من المجالات.

• المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على تجزئة النماذج لتحديد شكل وموقع المشاة والمركبات وراكبي الدراجات بشكل دقيق. هذه التفاصيل الدقيقة أمر بالغ الأهمية للملاحة الآمنة وتخطيط المسار، خاصةً في البيئات الحضرية المعقدة التي تتداخل فيها العديد من الأشياء المتداخلة. وقد لعبت مجموعات البيانات مثل Cityscapes دورًا أساسيًا في تطوير هذا المجال.
• تحليل الصور الطبية: في علم الأشعة، يُستخدم تجزئة المثيل لتحديد الأورام والآفات والأعضاء من التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي بدقة عالية. وهذا يساعد الأطباء على قياس حجم الورم والتخطيط للعمليات الجراحية ومراقبة فعالية العلاج. يمكنك معرفة المزيد حول هذا الأمر في منشور المدونة الخاص بنا حول استخدام YOLO11 للكشف عن الأورام.
• الروبوتات: تستخدم الروبوتات تجزئة المثيل لفهم بيئتها وتحديد أشياء معينة لفهمها وتجنب العقبات بدقة أكبر. وهذا أمر بالغ الأهمية للمهام في التصنيع والخدمات اللوجستية.
• تحليل صور الأقمار الصناعية: تُستخدم هذه التقنية لإحصاء الأشجار الفردية في الغابة، أو رسم خرائط للمباني في المدينة، أو تتبع التغيرات في استخدام الأراضي مع مرور الوقت باستخدام بيانات من منظمات مثل ناسا.
• الزراعة: يمكن استخدامه لتحديد الثمار الفردية وإحصائها لتقدير المحصول أو الكشف عن أعشاب ضارة معينة لاستخدام مبيدات الأعشاب المستهدفة، وهو جزء أساسي من الزراعة الدقيقة.

تجزئة المثيل باستخدام Ultralytics YOLO

توفر شركة Ultralytics أحدث النماذج القادرة على إجراء تجزئة فعالة للمثيل. تم تصميم نماذج مثل YOLOv8 وأحدث YOLO11 لتقديم أداء عالٍ في مهام الرؤية المختلفة، بما في ذلك تجزئة النماذج. يمكنك العثور على مزيد من التفاصيل في وثائقنا الخاصة بمهمة التجزئة. يمكن للمستخدمين الاستفادة من النماذج المدربة مسبقًا أو إجراء ضبط دقيق على مجموعات البيانات المخصصة مثل COCO باستخدام أدوات مثل منصة Ultralytics HUB، التي تبسط سير عمل التعلم الآلي (ML) من إدارة البيانات إلى نشر النموذج. للتطبيق العملي، تتوفر موارد مثل البرنامج التعليمي الخاص بنا حول التجزئة باستخدام نماذج Ultralytics YOLOv8 المدربة مسبقًا أو دليلنا حول عزل كائنات التجزئة. يمكنك أيضًا التعرف على كيفية استخدام Ultralytics YOLO11 للتجزئة على سبيل المثال.