One-Stage Object Detectors

كواشف الكائنات ذات المرحلة الواحدة هي نماذج لاكتشاف الكائنات تتنبأ بـالصناديق الإحاطية وتسميات الفئات لجميع الكائنات في الصورة خلال تمرير أمامي واحد لشبكة واحدة، وذلك بتقييم شبكة كثيفة من المواضع المرشحة دفعة واحدة. ولا تتضمن خطوة منفصلة لاقتراح المناطق: إذ تقترح كواشف الكائنات ذات المرحلتين أولًا مناطق يُرجّح احتواؤها على كائن، ثم تشغّل طبقة رأس ثانية على كل منطقة. وقد جعل حذف هذه الخطوة الكواشف ذات المرحلة الواحدة أساسًا لـالاكتشاف الآني، بدءًا من YOLO، الذي عمل نموذجه الأساسي بمعدل 45 إطارًا في الثانية عام 2015، وصولًا إلى النماذج الحالية.

آلية عمل الكواشف ذات المرحلة الواحدة#

تحوّل الشبكة الأساسية الصورة إلى خرائط سمات، وتدمجها شبكة وسيطة عبر مقاييس متعددة، ثم تتنبأ طبقة كشف كثيفة بدرجات الفئات وصندوق في كل موضع على كل مقياس. تنبأت النماذج المبكرة ذات المرحلة الواحدة مثل SSD وYOLOv2 وRetinaNet بإزاحات انطلاقًا من عدة صناديق ارتكاز في كل موضع؛ ومنذ FCOS عام 2019، تتنبأ معظم النماذج بالمسافات من كل موضع إلى حواف الصندوق الأربع، وهو تصميم الكواشف الخالية من الارتكازات. والنتيجة آلاف الصناديق المرشحة، التي تقلّصها عتبة الثقة والكبت غير الأعظمي (NMS) إلى صندوق واحد لكل كائن، أو تُخرجها مباشرةً طبقة رأس دُرّبت باستخدام المطابقة واحدًا لواحد.

يتطلب تشغيل كاشف ذي مرحلة واحدة استدعاءً واحدًا، ويُظهر تفصيل التوقيت مرورًا واحدًا للشبكة:

from ultralytics import YOLO

# Load YOLO26n, a one-stage detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# One forward pass predicts the box and class of every object in the image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(f"{len(result.boxes)} objects: {[result.names[int(c)] for c in result.boxes.cls]}")

# Milliseconds for resizing the image, the single network pass, and NMS
print(result.speed)

يعرض result.speed ثلاث خطوات: المعالجة المسبقة والاستدلال والمعالجة اللاحقة، ويغطي مرور الاستدلال الواحد كل كائن في الصورة.

كواشف المرحلة الواحدة مقابل كواشف المرحلتين#

يشترك التصميمان في الشبكة الأساسية والشبكة الوسيطة. ثم يشغّل الكاشف ذو المرحلتين شبكة اقتراح مناطق تختار بضع مئات من المناطق المرشحة، وتقص سمات كل منطقة، ويمرر كل قصاصة إلى طبقة رأس ثانية لتصنيفها وتحسينها. أما الكاشف ذو المرحلة الواحدة فيستبدل هذه الخطوات بطبقة رأس كثيفة واحدة تغطي جميع مواضع الشبكة.

تصدّرت عائلة R-CNN دقة الاكتشاف لسنوات: إذ يحسّن Faster R-CNN نحو 300 منطقة مقترحة لكل صورة، وبلغت سرعته 5 FPS باستخدام الشبكة الأساسية VGG-16. كانت الكواشف ذات المرحلة الواحدة أسرع بكثير، لكنها تأخرت في الدقة إلى أن أوضحت RetinaNet عام 2017 أن الفجوة تعود إلى اختلال التوازن بين المقدمة والخلفية: فالكاشف الكثيف يقيّم نحو 100,000 موضع مرشح لكل صورة، معظمها خلفية، وتهيمن هذه السلبيات السهلة على دالة خسارة معيارية. وتخفّض خسارة التركيز أوزانها، فحققت RetinaNet سرعة الكواشف السابقة ذات المرحلة الواحدة مع تجاوز دقة كواشف المرحلتين في وقتها. وتعمل كواشف Transformer مثل DETR وRT-DETR أيضًا باستخدام شبكة واحدة، إذ تتنبأ بمجموعة ثابتة الحجم من الصناديق عبر المطابقة واحدًا لواحد.

تطبيقات عملية#

• تحليلات المرور والفيديو: تعمل الكواشف على كل إطار من كل بث كاميرا لعدّ المركبات وقياس التدفق وتغذية متتبّعات الكائنات.
• فحص التصنيع: تكتشف كاميرات خطوط الإنتاج العيوب والمكوّنات المفقودة في القطع التي تمر أمام الكاميرا خلال جزء من الثانية.
• الطائرات المسيّرة والأجهزة المضمّنة: تلائم شبكة صغيرة واحدة ميزانية الحوسبة والطاقة لطائرة مسيّرة أو هاتف أو كاميرا ذكية.

أفكار وراء كواشف المرحلة الواحدة الحديثة#

• شبكات هرم السمات (FPN): يتيح التنبؤ من دقات متعددة للخرائط الدقيقة اكتشاف الكائنات الصغيرة، وللخرائط الخشنة اكتشاف الكائنات الكبيرة.
• خسارة التركيز: أدى خفض وزن المرشحين السهلين من الخلفية إلى معالجة اختلال توازن الفئات الذي أعاق الكواشف الكثيفة المبكرة.
• إسناد التسميات: تختار أساليب مثل SimOTA والإسناد المتوافق مع المهمة المواضع الإيجابية لكل كائن أثناء التدريب اعتمادًا على التنبؤات نفسها.
• طبقات الرأس الخالية من NMS: تُخرج طبقة رأس دُرّبت باستخدام المطابقة واحدًا لواحد صندوقًا واحدًا لكل كائن، ما يلغي خطوة معالجة لاحقة تزداد كلفتها مع عدد المرشحين.

YOLO26 كاشف أحادي المرحلة لا يعتمد على المراسي، ويضم نوعي الرأس: يطبّق NMS افتراضيًا، وتحوّل nms=False إلى رأسه أحادي المطابقة. يحقق YOLO26n مقدار 40.9 من mAP_50-95 على COCO مع NMS و40.1 من دونها، بزمن 1.7 مللي ثانية للصورة على GPU من NVIDIA T4 باستخدام TensorRT.