Object Re-identification (Re-ID)

إعادة التعرّف على الكائنات (Re-ID) هي مهمة متخصصة في الرؤية الحاسوبية (CV) تهدف إلى مطابقة كائن أو فرد محدد عبر مشاهد كاميرات مختلفة غير متداخلة أو على مدى فترات زمنية ممتدة. وبينما يركّز اكتشاف الكائنات القياسي على التعرّف على فئة كيان ما—أي تحديد أن الصورة تحتوي على "شخص" أو "سيارة"—تتقدم إعادة التعرّف خطوة إضافية من خلال تحديد أيّ شخص أو سيارة بعينها استنادًا إلى المظهر المرئي. وتُعد هذه الإمكانية ضرورية لإنشاء سرد متماسك للحركة في البيئات واسعة النطاق، حيث لا تستطيع كاميرا واحدة تغطية المنطقة بأكملها، إذ تصل بفعالية بين الملاحظات المرئية المعزولة.

كيفية عمل إعادة التعرّف#

يتمثل التحدي الأساسي في إعادة التعرّف في الحفاظ على اتساق الهوية رغم الاختلافات في الإضاءة وزوايا الكاميرا والوضعية وتشوش الخلفية. ولتحقيق ذلك، يستخدم النظام عادةً خط أنابيب متعدد المراحل يتضمن شبكات عصبية عميقة.

• استخراج السمات: بمجرد اكتشاف كائن، تحلل [شبكة عصبية تلافيفية (CNN)](https://ultralytics-translation-0.invalid اقتصاص الصورة لإنشاء متجه سمات يُعرف شائعًا باسم التضمين. ويمثل هذا المتجه تمثيلًا عدديًا كثيفًا للسمات المرئية الفريدة للكائن، مثل نسيج الملابس أو لون المركبة.
• تعلّم المقاييس: تُدرَّب النماذج الأساسية باستخدام تقنيات تعلّم المقاييس. ويتمثل الهدف في ضمان تقارب تضمينات الكائن نفسه رياضيًا في فضاء المتجهات، مع دفع تضمينات الكائنات المختلفة إلى التباعد. وغالبًا ما تُستخدم بنيات متخصصة مثل الشبكات العصبية السيامية لتعلّم هذه العلاقات.
• مطابقة التشابه: أثناء النشر، يقارن النظام تضمين كائن الاستعلام بمعرض من الهويات المخزنة. وعادةً ما تتضمن هذه المقارنة حساب التشابه الجيبي أو المسافة الإقليدية. وإذا تجاوزت درجة التشابه عتبة محددة مسبقًا، يؤكد النظام حدوث المطابقة.

إعادة التعرّف مقابل تتبّع الكائنات#

من المهم التمييز بين إعادة التعرّف وتتبّع الكائنات، إذ تؤديان دورين متكاملين لكن متميزين في خط أنابيب الرؤية.

• تتبّع الكائنات: تعتمد هذه العملية على الاستمرارية الزمنية. إذ تتنبأ خوارزميات مثل مرشح كالمان بموقع الكائن في الإطار التالي مباشرةً استنادًا إلى سرعته ومساره الحاليين. وغالبًا ما تستخدم التقاطع على الاتحاد (IoU) لربط الاكتشافات في الإطارات المتجاورة.
• إعادة التعرّف: تكون إعادة التعرّف ضرورية عند انقطاع الاستمرارية الزمنية. ويحدث ذلك أثناء الحجب—عندما يختفي كائن خلف عائق—أو عندما يغادر كائن مجال رؤية كاميرا ويدخل مجال رؤية كاميرا أخرى. وتعيد إعادة التعرّف إنشاء الهوية استنادًا إلى المظهر بدلًا من سجل الموقع، مما يتيح تتبّع كائنات متعددة (MOT) متينًا.

التطبيقات الواقعية#

تتيح القدرة على الحفاظ على الهوية عبر المشاهد المنفصلة تحليلات متقدمة في مختلف الصناعات.

• إدارة حركة المرور في المدن الذكية: في سياق الذكاء الاصطناعي في المدن الذكية، تتيح إعادة التعرّف للأنظمة البلدية تتبّع مركبة أثناء تحركها عبر شبكة تقاطعات على مستوى المدينة. ويساعد ذلك في حساب متوسط أوقات الرحلات وتحسين توقيت إشارات المرور، دون الاعتماد كليًا على التعرّف على لوحات أرقام المركبات.
• تحليلات العملاء في قطاع البيع بالتجزئة: يستخدم تجار التجزئة إعادة التعرّف لفهم سلوك المتسوقين. ومن خلال ربط مشاهدات العميل عبر ممرات مختلفة، يمكن للمتاجر إنشاء خرائط حرارية للمسارات الشائعة. ويساعد ذلك في تحسين تخطيطات المتاجر ومستويات التوظيف، مما يوفر رؤى حول رحلة العميل بأكملها بدلًا من التفاعلات المعزولة فحسب.

تنفيذ التتبّع باستخدام سمات إعادة التعرّف#

غالبًا ما تجمع سير عمل الذكاء الاصطناعي الحديث للرؤية بين كاشفات عالية الأداء ومتتبعات تستفيد من مفاهيم إعادة التعرّف. ويمكن دمج نموذج YOLO26 بسلاسة مع متتبعات مثل BoT-SORT، التي تستفيد من سمات المظهر للحفاظ على اتساق التتبّع. وبالنسبة إلى المستخدمين الذين يرغبون في إدارة مجموعات بياناتهم وخطوط أنابيب التدريب بكفاءة، توفر منصة Ultralytics واجهة موحدة للشرح والنشر.

يوضح المثال التالي كيفية تنفيذ تتبّع الكائنات باستخدام حزمة Ultralytics Python، التي تدير استمرارية الهوية تلقائيًا:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

لتحقيق أداء متين، يتطلب تدريب هذه النماذج بيانات تدريب عالية الجودة. وغالبًا ما تُستخدم تقنيات مثل خسارة الثلاثيات أثناء تدريب الوحدات الفرعية المحددة لإعادة التعرّف لتحسين القدرة التمييزية للتضمينات. كما يُعد فهم الفروق الدقيقة في الدقة والاسترجاع أمرًا بالغ الأهمية عند تقييم مدى نجاح نظام إعادة التعرّف في تجنب المطابقات الكاذبة.