اكتشاف الكائن

يُعد اكتشاف الكائنات مهمة أساسية في مجال الرؤية الحاسوبية (CV) تتضمن تحديد كائن أو أكثر داخل صورة أو فيديو وتحديد موقعه. ولا يقتصر الهدف من ذلك على تصنيف ماهية الأجسام فحسب، بل أيضًا تحديد موقعها، وعادةً ما يكون ذلك من خلال رسم مربع محدد حول كل منها. تُعد هذه التقنية بمثابة حجر الزاوية للعديد من تطبيقات الذكاء الاصطناعي المتقدمة، مما يمكّن الآلات من إدراك وتفسير محيطها المادي بدرجة عالية من الفهم.

كيف يعمل اكتشاف الكائنات

تُبنى نماذج اكتشاف الأجسام عادةً باستخدام التعلّم العميق (DL)، وتحديدًا الشبكات العصبية التلافيفية (CNNs). تتضمن العملية إدخال صورة إلى الشبكة، والتي تقوم بعد ذلك بإخراج قائمة بالأجسام المكتشفة، كل منها مع تسمية الفئة (على سبيل المثال، "شخص" أو "سيارة" أو "كلب")، ودرجة الثقة، وإحداثيات المربع المحيط به.

تتألف البنى الحديثة للكشف عن الأجسام من جزأين رئيسيين: عمود فقري لاستخراج الميزات من صورة الإدخال ورأس كشف للتنبؤ بالمربعات والفئات المحددة. غالبًا ما تُصنَّف هذه البنى على أنها إما كاشفات من مرحلة واحدة أو كاشفات من مرحلتين.

• كاشفات الأجسام ذات المرحلة الواحدة: تقوم النماذج مثل عائلة Ultralytics YOLO بإجراء الكشف في مسار واحد، مما يجعلها سريعة جدًا ومناسبة للاستدلال في الوقت الفعلي. فهي تتنبأ بجميع المربعات المحدودة واحتمالات الفئة في وقت واحد.
• كاشفات الأجسام ذات المرحلتين: تقترح البنى مثل R-CNN ومتغيراتها أولاً مناطق الاهتمام ثم تصنف الكائنات داخل تلك المناطق. على الرغم من أنها غالبًا ما تكون دقيقة جدًا، إلا أنها قد تكون أبطأ من أجهزة الكشف ذات المرحلة الواحدة.

اكتشاف الأجسام مقابل مهام السيرة الذاتية الأخرى

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

• تصنيف الصور: يعين تسمية واحدة لصورة كاملة (على سبيل المثال، "هذه صورة قطة"). لا يحدد موقع الكائن.
• تجزئة الصور: يصنف كل بكسل في الصورة، مما يوفر مخططًا دقيقًا للأشياء. يميّز تجزئة المثيل بين المثيلات المختلفة لفئة الكائن نفسه، بينما يعامل التجزئة الدلالية جميع مثيلات الفئة ككيان واحد.
• تتبُّع الكائن: امتداد لاكتشاف الكائنات الذي يتتبع كائنًا معينًا عبر إطارات متعددة في الفيديو، مع الحفاظ على هويته بمرور الوقت. يمكنك معرفة المزيد في دليلنا حول تتبع الأجسام المتحركة في مقاطع الفيديو.

التطبيقات الواقعية

يُعد اكتشاف الأجسام تقنية تحويلية تُستخدم في العديد من الصناعات.

1. المركبات ذاتية القيادة: في السيارات ذاتية القيادة، يعد اكتشاف الأجسام أمراً بالغ الأهمية لتحديد المشاة وراكبي الدراجات والمركبات الأخرى وإشارات المرور للتنقل بأمان. وقد استثمرت شركات مثل Waymo وTesla بكثافة في هذه التكنولوجيا لتشغيل أنظمتها ذاتية القيادة.
2. الذكاء الاصطناعي في التصنيع: على خطوط التجميع، تكتشف نماذج الكشف عن العيوب تلقائيًا أو تتحقق من تجميع المكونات بشكل صحيح. وهذا يعزز مراقبة الجودة ويحسن كفاءة الإنتاج.
3. الأمن والمراقبة: تستخدم الأنظمة الآلية الكشف عن الأجسام لتحديد الأفراد غير المصرح لهم أو الطرود المتروكة 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 اكتشاف وإبراز الحالات الشاذة مثل الأورام أو الكسور في الأشعة السينية والأشعة المقطعية. يمكنك أن تقرأ عن استخدام YOLO11 للكشف عن الأورام في مدونتنا.
5. الذكاء الاصطناعي في الزراعة: يمكن للطائرات بدون طيار والروبوتات الأرضية المزودة بخاصية الكشف عن الأجسام مراقبة صحة المحاصيل وتحديد الآفات وتقدير المحاصيل بدقة عالية.

الأدوات والتدريب

يتضمن تطوير نماذج اكتشاف الكائنات ونشرها منظومة غنية من الأدوات والتقنيات.

• أطر العمل: توفر أطر التعلم العميق الشائعة مثل PyTorch و TensorFlow المكتبات الأساسية لبناء النماذج.
• النماذج: توفر شركة Ultralytics أحدث النماذج مثل YOLOv8 و YOLO11، والتي تم تحسينها لتحقيق التوازن بين السرعة والدقة. يمكنك الاطلاع على كيفية تكديسها مقابل النماذج الأخرى في صفحات المقارنة بين النماذج لدينا.
• المنصات: تعمل منصة Ultralytics HUB على تبسيط سير العمل بالكامل، بدءًا من إدارة مجموعات البيانات مثل مجموعة بيانات COCO الشهيرة إلى تدريب النماذج المخصصة وتسهيل نشر النماذج.
• التقنيات: غالبًا ما تستفيد عملية التدريب من تقنيات مثل زيادة البيانات لتحسين المتانة ونقل التعلّم للاستفادة من المعرفة من النماذج المدربة مسبقًا. يتم تقييم أداء النماذج باستخدام مقاييس مثل mAP وIoU، كما هو موضح في دليل مقاييس الأداء الخاص بنا.