Object Detection

يُعدّ اكتشاف الكائنات تقنية محورية في مجال الرؤية الحاسوبية (CV)، إذ يتيح لأنظمة الكمبيوتر تحديد عناصر محددة داخل البيانات المرئية وتحديد مواقعها. وعلى خلاف مهام تصنيف الصور الأبسط، التي تسند تصنيفًا واحدًا إلى الصورة بأكملها، يوفّر اكتشاف الكائنات فهمًا دقيقًا عبر التنبؤ في الوقت نفسه بفئة الكائن (مثل "شخص" أو "سيارة" أو "كلب") وموقعه المكاني. ويُمثَّل هذا الموقع عادةً بواسطة مربع إحاطة مستطيل يحيط بالكائن، إلى جانب درجة ثقة تشير إلى مدى يقين النموذج. وتشكّل هذه القدرة المزدوجة—التعرّف وتحديد الموقع—الأساس الحسي لتطبيقات الذكاء الاصطناعي (AI) الحديثة، مما يمكّن الآلات من التفاعل مع بيئتها تفاعلًا ذا معنى.

آلية الاكتشاف#

تعتمد كاشفات الكائنات الحديثة بدرجة كبيرة على بنيات التعلّم العميق (DL)، وتحديدًا الشبكات العصبية الالتفافية (CNNs)، لاستخراج سمات معقدة من الصور المدخلة. تبدأ العملية بـمرحلة التدريب، حيث يتعلّم النموذج التعرّف على الأنماط باستخدام مجموعات ضخمة وموسومة مثل مجموعة بيانات COCO. وخلال هذه المرحلة، تحسّن الخوارزمية أوزان النموذج لتقليل أخطاء التنبؤ.

عند نشر النموذج لإجراء الاستدلال، يفحص صورًا جديدة لاقتراح الكائنات المحتملة. ثم تطبّق الخوارزميات المتقدمة كبت القيم غير العظمى (NMS) لتصفية الاكتشافات المكررة، بما يضمن إبراز كل كيان مميز مرة واحدة فقط. وغالبًا ما تُقيَّم دقة هذه التنبؤات باستخدام مقياس التقاطع على الاتحاد (IoU)، الذي يقيس التداخل بين المربع المتنبأ به والحقيقة الأساسية. وقد أفضت التطورات الحديثة إلى بنيات شاملة من البداية إلى النهاية مثل YOLO26، التي تبسّط مسار المعالجة هذا لتحقيق سرعة استثنائية وقدرات استدلال في الوقت الفعلي على الأجهزة الطرفية.

تمييز المصطلحات الأساسية#

من الضروري التمييز بين اكتشاف الكائنات والمفاهيم المرتبطة به لاختيار الأداة المناسبة للمشروع:

• اكتشاف الكائنات مقابل تصنيف الصور: بينما تجيب عملية تصنيف الصور عن سؤال "ما الموجود في هذه الصورة؟"، يجيب اكتشاف الكائنات عن سؤال "ما الموجود وأين؟".
• اكتشاف الكائنات مقابل تقسيم المثيلات: يرسم الاكتشاف مربعًا حول العنصر. أما تقسيم المثيلات، فيحدّد المحيط الدقيق لكل كائن على مستوى البكسل (القناع).
• اكتشاف الكائنات مقابل تتبّع الكائنات: يعثر الاكتشاف على الكائنات في إطار واحد. بينما يربط تتبّع الكائنات هذه الاكتشافات عبر تسلسل فيديو لمراقبة الحركة بمرور الوقت.

التطبيقات الواقعية#

يدفع تعدد استخدامات اكتشاف الكائنات عجلة الابتكار في قطاعات رئيسية عديدة. ففي قطاع السيارات، يعتمد الذكاء الاصطناعي في المركبات ذاتية القيادة اعتمادًا حاسمًا على نماذج الاكتشاف لتحديد المشاة وإشارات المرور والمركبات الأخرى فورًا من أجل التنقل بأمان. ومن خلال معالجة تدفقات الفيديو الواردة من الكاميرات الموجودة على متن المركبة، تتخذ هذه الأنظمة قرارات في أجزاء من الثانية تمنع وقوع الحوادث.

توجد حالة استخدام بارزة أخرى في الذكاء الاصطناعي في قطاع التجزئة. إذ تستخدم أنظمة الدفع الآلي وروبوتات إدارة المخزون الذكية اكتشاف الكائنات لمسح الرفوف والتعرّف على المنتجات واكتشاف نقص المخزون أو العناصر الموضوعة في أماكن غير صحيحة. وتبسّط هذه الأتمتة سلاسل التوريد وتحسّن تجربة العملاء من خلال ضمان توافر المنتجات دائمًا.

تطبيق اكتشاف الكائنات#

يمكن للمطورين تطبيق مسارات عمل الاكتشاف بسهولة باستخدام حزمة ultralytics Python. يوضّح المثال التالي كيفية تحميل نموذج YOLO26 مدرّب مسبقًا وإجراء الاستدلال على صورة.

from ultralytics import YOLO

# Load the latest YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image from a URL
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results with bounding boxes
results[0].show()

بالنسبة إلى الفرق التي تتطلع إلى توسيع عملياتها، توفّر منصة Ultralytics بيئة شاملة لإضافة تعليقات توضيحية إلى البيانات، وتدريب النماذج المخصصة في السحابة، ونشرها بتنسيقات متنوعة مثل ONNX أو TensorRT. ويسهم استخدام هذه المنصات في تبسيط دورة حياة MLOps، مما يتيح للمهندسين التركيز على تحسين تطبيقاتهم بدلًا من إدارة البنية التحتية.