اكتشف قوة التجزئة الدلالية - قم classify كل بكسل في الصور لفهم المشهد بدقة. استكشف التطبيقات والأدوات الآن!
التجزئة الدلالية هي تقنية تأسيسية في مجال الرؤية الحاسوبية (CV) التي تتضمن تعيين فئة محددة لكل بكسل فردي في الصورة. على عكس المهام الأبسط التي قد تصنف الصورة بأكملها أو وضع مربع محدد حول كائن ما، فإن التجزئة الدلالية توفر خريطة كاملة للبيكسل للمشهد. هذا المستوى الدقيق من التفاصيل يمكّن الآلات من فهم الحدود والأشكال الدقيقة للأجسام، وتصنيف مناطق مميزة مثل "طريق" أو "شخص" أو "سماء" أو "ورم". من خلال التعامل مع الصورة الصورة على أنها مجموعة من وحدات البكسل المصنفة بدلاً من مجرد مجموع الأجسام، تقدم هذه الطريقة فهماً شاملاً فهم شامل للسياق البصري، وهو أمر ضروري لأنظمة أنظمة الذكاء الاصطناعي المتقدمة التي تتفاعل مع البيئات المعقدة.
تعتمد عملية التجزئة الدلالية اعتمادًا كبيرًا على نماذج التعلم العميق (DL) ، وتحديداً البنى القائمة على الشبكات العصبية التلافيفية (CNNs). يتم تدريب هذه النماذج على مجموعات بيانات مشروحة كبيرة حيث يقوم خبراء شرح بشريون خبراء وضعوا علامات على كل بكسل. أثناء التدريب، تتعلم الشبكة ربط الميزات منخفضة المستوى مثل القوام والحواف بمفاهيم دلالية عالية المستوى.
يتضمن النمط المعماري الشائع بنية مشفر-مفك تشفير:
معماريات رائدة مثل الشبكات التلافيفية الكاملة (FCN) وضعت الأساس من خلال استبدال الطبقات المتصلة بالكامل بطبقات تلافيفية لإخراج الخرائط المكانية. تصميمات أكثر تخصصًا مثل U-Net، تستخدم تصميمات أكثر تخصصًا مثل شبكة U-Net، وتستخدم وصلات التخطي للحفاظ على التفاصيل الدقيقة، مما يجعلها فعالة للغاية في المهام التي تتطلب دقة عالية.
لتحديد الأداة المناسبة لمشروع ما، من المهم التمييز بين التجزئة الدلالية ومهام الرؤية الحاسوبية الأخرى مهام الرؤية الحاسوبية الأخرى:
أدت القدرة على تحليل المشاهد على مستوى البكسل إلى دفع الابتكار في العديد من الصناعات:
الأطر الحديثة مثل PyTorch و TensorFlow الأدوات اللازمة لبناء نماذج التجزئة. ومع ذلك, المكتبات عالية المستوى تبسط العملية بشكل كبير. إن Ultralytics YOLO11 تدعم نماذج مهام التجزئة خارج الصندوق، مما يوفر توازنًا بين السرعة والدقة المناسبة الاستدلال في الوقت الحقيقي.
يوضّح المثال التالي كيفية تحميل نموذج تجزئة YOLO11 المدرّب مسبقًا وإجراء الاستدلال على
صورة باستخدام ultralytics حزمة python .
from ultralytics import YOLO
# Load a pre-trained YOLO11 segmentation model
model = YOLO("yolo11n-seg.pt")
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Visualize the segmentation mask results
results[0].show()
بالنسبة للمطورين الذين يتطلعون إلى إنشاء حلول مخصصة، فإن أدوات التعليقات التوضيحية مثل LabelMe أو CVAT ضرورية لإعداد بيانات التدريب. بمجرد التدريب, يمكن نشر هذه النماذج على أجهزة الحافة باستخدام OpenCV أو التنسيقات مثل ONNX للحصول على أداء فعال في بيئات الإنتاج.
