U-Net

تُعدّ U-Net بنيةً متميزةً في مجال التعلم العميق، وقد صُممت خصيصًا لمهام تجزئة الصور بدقة. وقد طُوّرت في الأصل لتحليل الصور الطبية الحيوية، وأصبحت هذه الشبكة العصبية الالتفافية (CNN) معيارًا لأي تطبيق يتطلب تصنيفًا على مستوى البكسل. وعلى خلاف تصنيف الصور التقليدي الذي يعيّن تسمية واحدة للصورة بأكملها، تصنّف U-Net كل بكسل على حدة، مما يتيح للنموذج تحديد الشكل والموقع الدقيقين للكائنات. كما أن قدرتها على العمل بفاعلية مع بيانات التدريب المحدودة تجعلها ذات قيمة كبيرة في المجالات المتخصصة التي تندر فيها مجموعات البيانات الكبيرة.

البنية الفريدة على شكل "U"#

اشتُق اسم "U-Net" من شكلها المتماثل الذي يشبه الحرف U. وتتكون البنية من مسارين رئيسيين: مسار انكماشي (المشفّر) ومسار توسّعي (فك التشفير). يلتقط المسار الانكماشي سياق الصورة من خلال تقليل أبعادها المكانية، على نحو مشابه لـالعمود الفقري القياسي في نماذج الرؤية الأخرى. أما المسار التوسّعي فيُجري رفعًا فعالًا لدقة خريطة السمات لاستعادة حجم الصورة الأصلي وتحقيق تحديد مكاني دقيق.

من الخصائص المميزة لـ U-Net استخدامها وصلات التخطي. إذ تسد هذه الوصلات الفجوة بين المشفّر ومفك التشفير، وتنقل السمات عالية الدقة من المسار الانكماشي مباشرةً إلى المسار التوسّعي. وتتيح هذه الآلية للشبكة دمج المعلومات السياقية مع المعلومات المكانية التفصيلية، مما يمنع فقدان التفاصيل الدقيقة الذي يحدث غالبًا أثناء خفض العينة. ويساعد هذا الهيكل على الحد من مشكلات مثل مشكلة تلاشي التدرج، مما يضمن تعلمًا متينًا.

التطبيقات الواقعية#

على الرغم من أن U-Net نشأت في المجال الطبي، فإن تعدد استخداماتها أدى إلى اعتمادها في مختلف القطاعات.

• التشخيص الطبي: تُستخدم U-Net على نطاق واسع في الذكاء الاصطناعي في الرعاية الصحية لاكتشاف الشذوذ في فحوصات CT وصور MRI. فعلى سبيل المثال، تتيح التجزئة الدقيقة لـأورام الدماغ أو تحديد حدود الأعضاء لأغراض التخطيط الجراحي. وتُعد دقتها العالية بالغة الأهمية هنا، إذ يمكن للحدود المطابقة للبكسلات أن تؤثر تأثيرًا كبيرًا في التشخيص والعلاج.
• تحليل الصور الساتلية: في التحليل الجغرافي المكاني، تساعد U-Net في تحليل الصور الساتلية لمهام مثل تتبع إزالة الغابات أو التخطيط الحضري. ومن خلال إجراء تصنيف الغطاء الأرضي، يستطيع النموذج التمييز بين المسطحات المائية والغابات والمناطق الحضرية، مما يساعد العلماء على رصد التغير المناخي والتحولات البيئية بمرور الوقت.

U-Net في مقابل نماذج التجزئة الأخرى#

من المهم تمييز U-Net عن مصطلحات الرؤية الحاسوبية الأخرى. تُجري U-Net التجزئة الدلالية، التي تتعامل مع الكائنات المتعددة من الفئة نفسها (مثل سيارتين مختلفتين) باعتبارها كيانًا واحدًا (قناع فئة "السيارة"). وعلى النقيض من ذلك، تحدد تجزئة المثيلات كل مثيل لكائن فردي وتفصله.

توفر البنى الحديثة، مثل نماذج التجزئة YOLO26، بديلًا أسرع وآنيًا لـ U-Net التقليدية في العديد من التطبيقات الصناعية. وبينما تتفوق U-Net في الأبحاث الطبية بفضل دقتها مع مجموعات البيانات الصغيرة، غالبًا ما يُفضّل استخدام التجزئة المستندة إلى YOLO للنشر على الأجهزة الطرفية حيث تكون سرعة الاستدلال بالغة الأهمية.

تنفيذ التجزئة#

بالنسبة إلى المستخدمين الذين يتطلعون إلى تنفيذ مهام التجزئة بكفاءة، توفر الأطر الحديثة أدوات مبسطة. يمكنك استخدام منصة Ultralytics لإضافة تعليقات توضيحية إلى مجموعات بيانات التجزئة وتدريب النماذج دون الحاجة إلى برمجة مكثفة.

فيما يلي مثال موجز على كيفية تشغيل الاستدلال باستخدام نموذج تجزئة مُدرَّب مسبقًا من الحزمة ultralytics:

from ultralytics import YOLO

# Load a YOLO26 segmentation model (a fast alternative for segmentation tasks)
model = YOLO("yolo26n-seg.pt")

# Run inference on an image to generate segmentation masks
results = model.predict("path/to/image.jpg", save=True)

# Process the results (e.g., access masks)
for result in results:
    masks = result.masks  # Access the segmentation masks object

المفاهيم الأساسية والتحسين#

للحصول على أفضل أداء من U-Net أو من بنية تجزئة مماثلة، غالبًا ما يستخدم الممارسون زيادة البيانات. وتساعد تقنيات مثل التدوير والتحجيم والتشوهات المرنة النموذج على تعلم عدم التغاير ومنع فرط التكيّف، وهو أمر مهم خصوصًا عند محدودية بيانات التدريب.

علاوةً على ذلك، يُعد تحديد دالة الخسارة الصحيحة أمرًا بالغ الأهمية. وتشمل الخيارات الشائعة معامل Dice أو الخسارة البؤرية، إذ تتعامل هذه الخيارات مع عدم توازن الفئات على نحو أفضل من الانتروبيا المتقاطعة القياسية، مما يضمن تركيز النموذج على البكسلات التي يصعب تصنيفها. ولمعرفة المزيد عن التاريخ والتفاصيل التقنية، يمكنك قراءة دليلنا حول بنية U-Net.