Object Detection Architectures

بنى كشف الأجسام هي تصاميم الشبكات التي تحوّل الصورة إلى قائمة من مربعات الإحاطة وتسميات الفئات ودرجات الثقة. تُبنى كل كواشف الأجسام الحديثة تقريبًا من عمود فقري وعنق ورأس، وتختلف التصاميم أساسًا في كيفية توليد المربعات المرشحة، سواء من مقترحات المناطق أو شبكة كثيفة أو استعلامات متعلّمة، وفي كيفية إزالة التنبؤات المكررة، باستخدام الكبح غير الأقصى (NMS) أو المطابقة واحدًا لواحد. تحدد هذه الخيارات دقة الكاشف وسرعته ومدى سهولة نشره على العتاد الطرفي. يشير كشف الأجسام إلى المهمة، بينما يُعد رأس الكشف جزءًا من البنية.

العمود الفقري والعنق والرأس#

يستخرج العمود الفقري السمات. وقد يكون شبكة عصبية التفافية مثل ResNet أو CSPDarknet، أو محوّلًا للرؤية، وغالبًا ما يكون مدرّبًا مسبقًا على تصنيف ImageNet، ويقلّص أبعاد الصورة على مراحل، فتفقد خرائط السمات دقتها المكانية وتكتسب محتوى دلاليًا مع ازدياد العمق. يدمج العنق، الذي يكون عادةً شبكة هرمية للسمات (FPN) مع مسار إضافي من الأسفل إلى الأعلى كما في PANet، الخرائط العميقة والضحلة لكي يحمل كل مقياس خرج التفاصيل الدقيقة والسياق معًا. يتنبأ الرأس بالمربعات ودرجات الفئات عند كل موقع من كل مقياس، عادةً عند خطوات 8 و16 و32، بحيث تعثر الخريطة الأدق على الأجسام الصغيرة، والأخشن على الأجسام الكبيرة. ويمكن تمييز الأجزاء الثلاثة لكاشف حقيقي من تعريف نموذجه:

from ultralytics import YOLO

# ⁨حمّل YOLO26n وقسّم طبقاته بالطريقة الموضحة في ملف YAML الخاص بنموذجه⁩
model = YOLO("yolo26n.pt")
layers = model.model.model
n_backbone = len(model.model.yaml["backbone"])

# ⁨يستخرج العمود الفقري السمات، ويدمج العنق المقاييس، والطبقة الأخيرة هي الرأس⁩
print("Backbone:", [type(m).__name__ for m in layers[:n_backbone]])
print("Neck:", [type(m).__name__ for m in layers[n_backbone:-1]])
print("Head:", type(layers[-1]).__name__, "at strides", model.model.stride.tolist())

تعرض قائمة العمود الفقري طبقات Conv ذات الخطوات وكتل C3k2، وتنتهي بتجميع SPPF وكتلة انتباه C2PSA؛ ويشغّل العنق طبقات Upsample وConcat وC3k2 من الأعلى إلى الأسفل، وطبقات Conv وConcat وC3k2 ذات الخطوات عائدًا إلى الأعلى؛ ويتنبأ رأس Detect عند خطوات 8 و16 و32.

عائلات الكواشف#

• الكواشف ذات المرحلتين: تقترح شبكة اقتراح المناطق بضع مئات من المناطق المرشحة، ثم يصنّف رأس ثانٍ كل منطقة منها ويحسّنها، كما في Faster R-CNN (2015) وMask R-CNN (2017).
• الكواشف أحادية المرحلة المعتمدة على المراسي: تتنبأ SSD (2016) وYOLOv2 إلى YOLOv5 وRetinaNet (2017) بإزاحات عن مربعات مراسٍ محددة مسبقًا عند كل خلية شبكة في تمريرة واحدة.
• الكواشف الخالية من المراسي: يتنبأ FCOS (2019) وYOLOv8 (2023) بالمسافات من نقطة إلى حواف المربع الأربع، ويتنبأ CenterNet (2019) بمراكز المربعات بوصفها قممًا في خريطة حرارية، مع عرض وارتفاع عند كل مركز، وأعاد YOLOX (2021) عائلة YOLO إلى التنبؤ الخالي من المراسي؛ لذلك لا يحتاج أي منها إلى ضبط المراسي.
• كواشف Transformer وفق نهج DETR: يفكك DETR (2020) مجموعة ثابتة من استعلامات الكائنات المتعلّمة، ويطابقها واحدًا لواحد مع الكائنات الموسومة، لذلك لا يحتاج خرجه إلى NMS؛ وحقق Deformable DETR دقة أفضل باستخدام عُشر عصور التدريب، كما جعل RT-DETR التصميم آنيًا في 2023.
• كواشف CNN الخالية من NMS: يدرّب YOLOv10 (2024) رأسًا للمطابقة واحدًا لواحد إلى جانب رأس للمطابقة واحدًا لعدة، ويشغّل الرأس الأول فقط عند الاستدلال، ولذلك لا تحتاج مربعاته إلى NMS.
• كواشف المفردات المفتوحة: يستبدل كل من Grounding DINO وYOLO-World طبقة التصنيف الثابتة بتضمينات نصية، لذا يمكنهما كشف الفئات التي تُسمّى وقت الاستدلال.

اختيار بنية#

ترتب المعايير مثل متوسط الدقة (mAP) على COCO الدقة، لكن العتاد المستهدف والأجسام في الصور هما ما يحددان التصميم عادةً. YOLO26 شبكة CNN أحادية المرحلة لا تعتمد على المراسي، وتضم نوعي الرأس: تطبّق NMS افتراضيًا على فرعها ذي المطابقة المتعددة، وتحوّل nms=False إلى فرعها ذي المطابقة الأحادية، كما تتضمن ملفات YAML للنماذج نسختي P2 وP6 اللتين تضيفان خرجًا بخطوة 4 أو 64.

• العتاد الطرفي والفيديو الآني: تُترجم كواشف CNN الصغيرة بكفاءة إلى بيئات تشغيل مثل TensorRT وOpenVINO، كما يزيل الرأس الخالي من NMS خطوةً من المعالجة اللاحقة تزداد كلفتها مع عدد المرشحين.
• الأجسام الصغيرة: تحتاج الصور الجوية وصور الفحص إلى مستوى خرج أدق، مثل خطوة 4، أو إلى استدلال مجزّأ إلى رقع يشغّل الكاشف على قصاصات متداخلة.
• كتالوجات المنتجات المتغيرة: تعثر كواشف المفردات المفتوحة على منتج جديد من خلال مطالبة نصية، دون الحاجة إلى صور موسومة له.
• الأجسام المدورة: تُلائم السفن والمركبات والمباني في صور الأقمار الصناعية مربعات موجّهة بصورة أفضل، إذ تضيف هذه المربعات خرجًا للزاوية إلى الرأس.