Receptive Field

في مجال رؤية الحاسوب (CV) والتعلم العميق، يشير مجال الاستقبال إلى المنطقة المحددة من صورة الإدخال التي "يراها" أو يحللها عصبون معين في شبكة عصبية (NN). من الناحية المفاهيمية، فإنه يعمل بشكل مشابه لمجال رؤية العين البشرية أو عدسة الكاميرا. وهو يحدد مقدار السياق المكاني الذي يمكن للنموذج إدراكه في أي طبقة معينة. مع تقدم البيانات عبر شبكة عصبية تلافيفية (CNN)، يتسع مجال الاستقبال عادةً، مما يسمح للنظام بالانتقال من تحديد التفاصيل المحلية الدقيقة—مثل الحواف أو الزوايا—إلى فهم الهياكل العالمية المعقدة مثل الأشياء بأكملها أو المشاهد.

Link to this sectionآليات عمل مجالات الاستقبال#

يتم تحديد حجم وعمق مجال الاستقبال بواسطة بنية الشبكة. في الطبقات الأولية، عادةً ما تمتلك العصبونات مجال استقبال صغيراً، حيث تركز على مجموعة صغيرة من البكسلات لالتقاط الأنسجة دقيقة الحبيبات. ومع تعمق الشبكة، تقوم عمليات مثل طبقات التجميع (pooling layers) والتلافيف ذات الخطوات (strided convolutions) بـ تقليل دقة (downsample) خرائط الميزات بشكل فعال. تسمح هذه العملية للعصبونات اللاحقة بتجميع المعلومات من جزء أكبر بكثير من المدخلات الأصلية.

تم تصميم البنى الحديثة، بما في ذلك Ultralytics YOLO26 المتطور، لتحقيق التوازن بين هذه المجالات بدقة. إذا كان مجال الاستقبال ضيقاً جداً، فقد يفشل النموذج في التعرف على الأشياء الكبيرة لأنه لا يستطيع إدراك الشكل بالكامل. وعلى العكس من ذلك، إذا كان المجال واسعاً بشكل مفرط دون الحفاظ على الدقة، فقد يفتقد النموذج الأشياء الصغيرة. ولمعالجة ذلك، غالباً ما يستخدم المهندسون التلافيف المتوسعة (dilated convolutions) (المعروفة أيضاً باسم التلافيف الثقبية atrous convolutions) لتوسيع مجال الاستقبال دون تقليل الدقة المكانية، وهي تقنية حيوية للمهام عالية الدقة مثل التجزئة الدلالية (semantic segmentation).

Link to this sectionتطبيقات العالم الحقيقي#

يعد تحسين مجال الاستقبال أمراً بالغ الأهمية لنجاح مختلف حلول الذكاء الاصطناعي (AI solutions).

• القيادة الذاتية: في الذكاء الاصطناعي لقطاع السيارات (AI for automotive)، يجب أن تقوم أنظمة الإدراك بتتبع التفاصيل الدقيقة والعوائق الكبيرة في وقت واحد. تحتاج المركبة إلى مجال استقبال صغير لتحديد إشارات المرور البعيدة، بينما تتطلب في الوقت نفسه مجال استقبال كبيراً لفهم مسار شاحنة قريبة أو انحناء مسار الطريق. يضمن هذا الإدراك متعدد النطاقات تعزيز سلامة الذكاء الاصطناعي (AI safety) واتخاذ القرار.
• التشخيص الطبي: عند تطبيق الذكاء الاصطناعي في الرعاية الصحية (AI in healthcare)، يعتمد أخصائيو الأشعة على النماذج لاكتشاف الشذوذ في الفحوصات. لتحديد أورام الدماغ (brain tumors)، تتطلب الشبكة مجال استقبال كبيراً لفهم تماثل وهيكل الدماغ بشكل عام. ومع ذلك، للكشف عن التكلسات الدقيقة في تصوير الثدي بالأشعة، يعتمد النموذج على الطبقات المبكرة ذات مجالات الاستقبال الصغيرة الحساسة لتغيرات الأنسجة الدقيقة.

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

لفهم تصميم الشبكة بشكل كامل، من المفيد التمييز بين مجال الاستقبال والمصطلحات المشابهة:

• مجال الاستقبال مقابل النواة (Kernel): يحدد حجم النواة (أو المرشح) أبعاد النافذة المنزلقة (على سبيل المثال 3x3) لعملية تلافيف (convolution) واحدة. مجال الاستقبال هو خاصية ناشئة تمثل إجمالي منطقة الإدخال التراكمية التي تؤثر على عصبون معين. ستؤدي كومة من نوى متعددة بحجم 3x3 إلى مجال استقبال أكبر بكثير من 3x3.
• مجال الاستقبال مقابل خريطة الميزات (Feature Map): خريطة الميزات هي حجم المخرجات الناتج عن طبقة ما، والتي تحتوي على التمثيلات المتعلمة. يصف مجال الاستقبال العلاقة بين نقطة واحدة على تلك الخريطة وصورة الإدخال الأصلية.
• مجال الاستقبال مقابل نافذة السياق (Context Window): بينما يشير كلا المصطلحين إلى نطاق البيانات المدركة، يُستخدم مصطلح "نافذة السياق" عادةً في معالجة اللغات الطبيعية (NLP) أو تحليل الفيديو للدلالة على نطاق زمني أو تسلسلي (مثل حد الرموز/التوكن). يشير مجال الاستقبال بدقة إلى المساحة المكانية في البيانات ذات الشبكة (الصور).

Link to this sectionالاستخدام العملي في الكود#

تستخدم النماذج المتطورة مثل YOLO26 الأحدث شبكات هرم ميزات (FPN) للحفاظ على مجالات استقبال فعالة للأشياء بجميع أحجامها. يوضح المثال التالي كيفية تحميل نموذج وإجراء اكتشاف للأشياء (object detection)، مع الاستفادة من هذه التحسينات المعمارية الداخلية تلقائياً. يمكن للمستخدمين الذين يتطلعون إلى تدريب نماذجهم الخاصة ببنى محسنة استخدام منصة Ultralytics لإدارة مجموعات البيانات والتدريب السحابي بسلاسة.

from ultralytics import YOLO

# Load the latest YOLO26 model with optimized multi-scale receptive fields
model = YOLO("yolo26n.pt")

# Run inference; the model aggregates features from various receptive field sizes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results, detecting both large (bus) and small (person) objects
results[0].show()