اكتشف تقنية Non-Maximum Suppression (NMS) للكشف عن الكائنات. تعرف على كيفية تحسين النتائج وتعزيز الدقة وتشغيل تطبيقات الذكاء الاصطناعي مثل YOLO.
إن قمع القيم القصوى غير ضرورية (Non-Maximum Suppression (NMS)) هي خوارزمية أساسية للمعالجة اللاحقة تُستخدم في رؤية الكمبيوتر، وخاصة في مهام اكتشاف الكائنات. والغرض الأساسي منها هو تنظيف مخرجات نموذج الاكتشاف عن طريق تصفية المربعات المحيطة الزائدة والمتداخلة لضمان تحديد كل كائن مرة واحدة فقط. عندما يقوم نموذج اكتشاف الكائنات، مثل Ultralytics YOLO، بإجراء تنبؤات، فإنه غالبًا ما ينشئ مربعات مرشحة متعددة حول نفس الكائن، ولكل منها درجة ثقة مختلفة. يختار NMS بذكاء أفضل مربع إحاطة واحد لكل كائن ويقوم بقمع أو إزالة جميع المربعات المتداخلة الأخرى التي تعتبر غير قصوى.
تعمل خوارزمية NMS من خلال التكرار عبر المربعات المحيطة المتوقعة واتخاذ القرارات بناءً على مقياسين رئيسيين: درجات الثقة وعتبة التقاطع على الاتحاد (IoU). يمكن تلخيص العملية في هذه الخطوات:
يعد حد IoU معلمة فائقة الأهمية ومحددة من قبل المستخدم. سيؤدي حد IoU منخفض إلى عدد أقل من الاكتشافات، لأنه سيقمع المربعات التي تتداخل ولو بشكل ضئيل، في حين أن الحد العالي قد يسمح باكتشافات متعددة لنفس الكائن. غالبًا ما يكون الضبط الدقيق لهذا الحد جزءًا من تحسين أداء النموذج على مجموعة بيانات معينة.
يعد NMS مكونًا حاسمًا في العديد من تطبيقات الذكاء الاصطناعي الواقعية التي تعتمد على اكتشاف دقيق للكائنات.
NMS هو على وجه التحديد خطوة ما بعد المعالجة يتم تطبيقها بعد أن يقوم نموذج اكتشاف الكائنات بإنشاء مجموعته الأولية من مربعات الإحاطة المرشحة. يجب عدم الخلط بينه وبين بنية الاكتشاف نفسها، مثل الفرق بين أجهزة الكشف القائمة على المرساة و أجهزة الكشف الخالية من المرساة. تحدد هذه البنيات كيف يتم اقتراح المربعات المحتملة، بينما يقوم NMS بتحسين هذه المقترحات.
ومن المثير للاهتمام، أن التكلفة الحسابية والاختناقات المحتملة المرتبطة بـ NMS قد حفزت البحث في كاشفات الكائنات الخالية من NMS. تدمج نماذج مثل YOLOv10 آليات أثناء التدريب لتجنب التنبؤ بالمربعات الزائدة عن الحاجة بشكلinherently ، بهدف تقليل زمن انتقال الاستدلال وتمكين الكشف الشامل حقًا. يتناقض هذا مع الأساليب التقليدية مثل Ultralytics YOLOv8 أو YOLOv5، حيث يظل NMS جزءًا قياسيًا وأساسيًا من مسار الاستدلال. يمكنك استكشاف المقارنات التقنية، مثل YOLOv10 مقابل YOLOv8، في وثائقنا. تقدم المتغيرات مثل Soft-NMS أساليب بديلة تعمل على تقليل درجات المربعات المتداخلة بدلاً من إزالتها تمامًا.
يتم دمج NMS بسلاسة داخل نظام Ultralytics البيئي. تطبق نماذج Ultralytics YOLO تلقائيًا NMS أثناء توقع (predict
) و التحقق من الصحة (validation)val
) الأوضاع، مما يضمن حصول المستخدمين على مخرجات اكتشاف نظيفة ودقيقة بشكل افتراضي. يمكن غالبًا ضبط المعلمات التي تتحكم في سلوك NMS (مثل عتبة IoU وعتبة الثقة) لتلبية احتياجات تطبيق معين.
تعمل منصات مثل Ultralytics HUB على زيادة تجريد هذه التفاصيل، مما يسمح للمستخدمين بتدريب النماذج و نشرها حيث يتم التعامل مع NMS تلقائيًا كجزء من خط الأنابيب المحسن. يضمن هذا التكامل استفادة المستخدمين، بغض النظر عن خبرتهم التقنية العميقة في MLOps، من أحدث نتائج الكشف عن الكائنات لمختلف مهام رؤية الكمبيوتر. يمكن استكشاف تفاصيل التنفيذ المحددة داخل إطار Ultralytics في مرجع أدوات Ultralytics. لمزيد من التعريفات، تحقق من مسرد مصطلحات Ultralytics الرئيسي.