اكتشاف الأجسام

يعد اكتشاف الكائنات مهمة أساسية في الرؤية الحاسوبية (CV) التي تتضمن تحديد وتحديد موقع كائن واحد أو أكثر داخل صورة أو مقطع فيديو. لا يقتصر الهدف على تصنيف ماهية الكائنات فحسب، بل أيضًا تحديد موقعها، عادةً عن طريق رسم مربع محيط حول كل كائن. تعمل هذه التقنية بمثابة حجر الزاوية للعديد من تطبيقات الذكاء الاصطناعي (AI) المتقدمة، مما يمكّن الآلات من إدراك وتفسير محيطها المادي بدرجة عالية من الفهم.

كيفية عمل الكشف عن الأجسام

عادةً ما يتم إنشاء نماذج اكتشاف الكائنات باستخدام التعلم العميق (DL)، وتحديدًا الشبكات العصبية التلافيفية (CNNs). تتضمن العملية تغذية صورة في الشبكة، والتي بدورها تُخرج قائمة بالكائنات المكتشفة، ولكل منها تسمية فئة (مثل "شخص" أو "سيارة" أو "كلب")، و درجة ثقة، وإحداثيات مربع الإحاطة الخاص بها.

تتكون بنى الكشف عن الكائنات الحديثة من جزأين رئيسيين: عمود فقري لاستخراج الميزات من الصورة المدخلة و رأس الكشف للتنبؤ بالمربعات المحيطة والفئات. غالبًا ما يتم تصنيف هذه البنى على أنها كاشفات ذات مرحلة واحدة أو مرحلتين.

• أجهزة الكشف عن الكائنات ذات المرحلة الواحدة: تقوم نماذج مثل عائلة Ultralytics YOLO بإجراء الاكتشاف في تمريرة واحدة، مما يجعلها سريعة جدًا ومناسبة للاستدلال في الوقت الفعلي. إنها تتنبأ بجميع المربعات المحيطة واحتمالات الفئة في وقت واحد.
• كاشفات الكائنات ذات المرحلتين (Two-Stage Object Detectors): تقترح Architectures مثل R-CNN ومتغيراتها أولاً مناطق الاهتمام ثم تصنف الكائنات داخل تلك المناطق. في حين أنها غالبًا ما تكون دقيقة جدًا، إلا أنها يمكن أن تكون أبطأ من كاشفات المرحلة الواحدة.

اكتشاف الكائنات مقابل مهام الرؤية الحاسوبية الأخرى

من المهم التمييز بين اكتشاف الكائنات ومهام الرؤية الحاسوبية الأخرى ذات الصلة:

• تصنيف الصور: تعيين تسمية واحدة لصورة كاملة (على سبيل المثال، "هذه صورة لقطة"). لا يحدد موقع الكائن.
• تجزئة الصور (Image Segmentation): تصنف كل بكسل في الصورة، مما يوفر مخططًا تفصيليًا دقيقًا للكائنات. التجزئة المثيلية (Instance segmentation) تميز بين الحالات المختلفة لنفس فئة الكائن، بينما التجزئة الدلالية (semantic segmentation) تعامل جميع حالات الفئة ككيان واحد.
• تتبع الكائنات: امتداد لاكتشاف الكائنات يتتبع كائنًا معينًا عبر إطارات متعددة في الفيديو، مع الحفاظ على هويته بمرور الوقت. يمكنك معرفة المزيد في دليلنا حول تتبع الكائنات المتحركة في مقاطع الفيديو.

تطبيقات واقعية

اكتشاف الكائنات هو تقنية تحويلية تستخدم في العديد من الصناعات.

1. المركبات ذاتية القيادة: في السيارات ذاتية القيادة، يعد الكشف عن الكائنات أمرًا بالغ الأهمية لتحديد المشاة وراكبي الدراجات والمركبات الأخرى وإشارات المرور للتنقل بأمان. استثمرت شركات مثل Waymo و Tesla بكثافة في هذه التكنولوجيا لتشغيل أنظمتها المستقلة.
2. الذكاء الاصطناعي في التصنيع: في خطوط التجميع، تكتشف نماذج الكشف تلقائيًا العيوب أو تتحقق من تجميع المكونات بشكل صحيح. هذا يعزز مراقبة الجودة ويحسن كفاءة الإنتاج.
3. الأمن والمراقبة: تستخدم الأنظمة الآلية الكشف عن الكائنات لتحديد الأفراد غير المصرح لهم أو الطرود المهجورة أو الأنشطة غير العادية في الوقت الفعلي، كما هو مفصل في دليلنا لبناء نظام إنذار أمني.
4. الذكاء الاصطناعي في الرعاية الصحية: في تحليل الصور الطبية، تساعد النماذج أخصائيي الأشعة من خلال الكشف عن الحالات الشاذة مثل الأورام أو الكسور في صور الأشعة السينية والأشعة المقطعية وإبرازها. يمكنك قراءة المزيد حول استخدام YOLO11 للكشف عن الأورام في مدونتنا.
5. الذكاء الاصطناعي في الزراعة: يمكن للطائرات بدون طيار والروبوتات الأرضية المجهزة باكتشاف الكائنات مراقبة صحة المحاصيل وتحديد الآفات وتقدير الغلة بدقة عالية.

الأدوات والتدريب

يتضمن تطوير ونشر نماذج الكشف عن الكائنات نظامًا بيئيًا غنيًا بالأدوات والتقنيات.

• الأطر: توفر أطر التعلم العميق الشائعة مثل PyTorch و TensorFlow المكتبات الأساسية لبناء النماذج.
• النماذج: توفر Ultralytics أحدث النماذج مثل YOLOv8 و YOLO11، وهي مُحسَّنة لتحقيق التوازن بين السرعة والدقة. يمكنك معرفة مدى تفوقها على النماذج الأخرى في صفحات مقارنة النماذج الخاصة بنا.
• المنصات: يبسط Ultralytics HUB سير العمل بأكمله، بدءًا من إدارة مجموعات البيانات مثل مجموعة بيانات COCO الشهيرة وحتى تدريب النماذج المخصصة وتسهيل نشر النماذج.
• التقنيات: غالبًا ما تستفيد عملية التدريب من تقنيات مثل زيادة البيانات لتحسين المتانة والتعلم بالنقل للاستفادة من المعرفة من النماذج المدربة مسبقًا. يتم تقييم أداء النموذج باستخدام مقاييس مثل mAP وIoU، كما هو موضح في دليل مقاييس الأداء الخاص بنا.