Vision Mamba

يمثل Vision Mamba تحولاً كبيرًا في بنيات التعلم العميق لرؤية الكمبيوتر، مبتعدًا عن هيمنة آليات الانتباه الموجودة في Transformer. وهو تكييف لبنية Mamba - المصممة في الأصل لنمذجة التسلسل الفعالة في معالجة اللغات الطبيعية - ومصممة خصيصًا للمهام البصرية. من خلال الاستفادة من نماذج الفضاء الحتالي (SSMs)، يقدم Vision Mamba بديلًا ذو تعقيد خطي للتعقيد التربيعي لطبقات الانتباه الذاتي التقليدية. يتيح ذلك معالجة الصور عالية الدقة بكفاءة أكبر، مما يجعله ذو قيمة خاصة للتطبيقات التي تكون فيها الموارد الحسابية محدودة أو حيث يجب التقاط التبعيات طويلة المدى في البيانات البصرية دون بصمة الذاكرة الثقيلة النموذجية لـ Vision Transformers (ViT).

كيف يعمل Vision Mamba#

في صميم Vision Mamba يوجد مفهوم مسح البيانات بشكل انتقائي. تعالج Convolutional Neural Networks (CNNs) التقليدية الصور باستخدام نوافذ منزلقة محلية، وهي ممتازة لاكتشاف الأنسجة والحواف ولكنها تعاني مع السياق العالمي. في المقابل، تستخدم Transformers الانتباه العالمي لربط كل بكسل (أو رقعة) بكل بكسل آخر، مما يوفر سياقًا ممتازًا ولكنه يصبح مكلفًا حسابياً مع زيادة دقة الصورة. يسد Vision Mamba هذه الفجوة عن طريق تسطيح الصور إلى تسلسلات ومعالجتها باستخدام مساحات الحالة الانتقائية. يتيح ذلك للنموذج ضغط المعلومات البصرية في حالة ذات حجم ثابت، مع الاحتفاظ التفاصيل ذات الصلة عبر مسافات طويلة في تسلسل الصورة مع تجاهل الضوضاء غير الصلة.

تتضمن البنية عادةً آلية مسح ثنائية الاتجاه. نظرًا لأن الصور هي هياكل ثنائية الأبعاد وليست متسلسلة بطبيعتها مثل النص، يقوم Vision Mamba بمسح رقع الصور في اتجاهات للأمام والخلف (وأحيانًا مسارات متفاوتة) لضمان فهم العلاقات المكانية بغض النظر عن ترتيب المسح. يتيح هذا النهج للنموذج تحقيق receptive fields عالمية مشابهة لـ Transformers ولكن بسرعات استدلال أسرع واستهلاك أقل للذاكرة، وغالبًا ما ينافس النتائج الحديثة على معايير مثل ImageNet.

تطبيقات العالم الحقيقي#

تجعل كفاءة Vision Mamba منه مناسباً جداً للبيئات محدودة الموارد والمهام عالية الدقة.

• تحليل الصور الطبية: في مجالات مثل الأشعة، يتطلب تحليل صور الرنين المغناطيسي أو الأشعة المقطعية عالية الدقة اكتشاف الحالات الشاذة الدقيقة التي قد تكون متباعدة مكانيًا داخل صورة كبيرة. يمكن لـ Vision Mamba معالجة ملفات medical image analysis الكبيرة هذه بفعالية دون اختناقات الذاكرة التي غالباً ما تعاني منها Transformers القياسية، مما يساعد الأطباء في تحديد الأورام أو الكسور بدقة عالية.
• الملاحة المستقلة على أجهزة الحافة: تعتمد السيارات ذاتية القيادة والطائرات بدون طيار على edge computing لمعالجة موجزات الفيديو في الوقت الفعلي. يسمح القياس الخطي لـ Vision Mamba لهذه الأنظمة يتعامل مع مدخلات الفيديو ذات معدل الإطارات المرتفع لـ object detection و semantic segmentation بشكل أكثر كفاءة من نماذج Transformer الثقيلة، مما يضمن أوقات تفجير أسرع للقرارات الحرجة للسلامة.

Vision Mamba مقابل Vision Transformers (ViT)#

بينما تهدف كلتا الهندستين إلى التقاط السياق العالمي، إلا أنهما تختلفان جوهرياً في التشغيل.

• Vision Transformer (ViT): يعتمد على attention mechanism، والتي تحسب العلاقة بين كل زوج من رقع الصور. ينتج عن هذا تعقيد تربيعي ($O(N^2)$)، مما يعني أن مضاعفة حجم الصورة تضاعف التكلفة الحسابية أربع مرات.
• Vision Mamba: يutilized State Space Models (SSMs) لمعالجة الرموز البصرية خطياً ($O(N)$). فهو يحافظ على حالة قيد التشغيل يتم تحديثها أثناء رؤيته للرقع الجديدة، مما يسمح له بالتوسع بشكل أفضل بكثير مع الدقة الأعلى مع الحفاظ على accuracy مقارنة.

مثال: سير عمل استنتاج فعال#

في حين أن Vision Mamba هي بنية محددة، فإن مبادئ الكفاءة الخاصة بها تتوافق مع أهداف النماذج الحديثة في الوقت الفعلي مثل Ultralytics YOLO26. يمكن للمستخدمين الذين يبحثون عن مهام الرؤية المحسنة الاستفادة من Ultralytics Platform للتدريب والنشر. أدناه مثال باستخدام حزمة ultralytics لتشغيل الاستدلال، مما يدل على سهولة استخدام نماذج الرؤية المحسنة للغاية.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (optimized for speed and accuracy)
model = YOLO("yolo26n.pt")  # 'n' for nano, emphasizing efficiency

# Run inference on an image
results = model.predict("path/to/image.jpg")

# Display the results
results[0].show()

الفوائد الرئيسية والنظرة المستقبلية#

يشير إدخال بنيات تعتمد على Mamba في رؤية الكمبيوتر إلى الانتقال نحو ذكاء اصطناعي أكثر وعياً بالأجهزة. من خلال تقليل العبء الحسابي المرتبط بـ global attention، يفتح الباحثون الباب أمام نشر AI agents متقدمة على الأجهزة الأصغر.

تسلط البحوث الحديثة، مثل VMamba paper والتطورات في efficient deep learning، الضوء على إمكانية استبدال هذه النماذج للركائز التقليدية في المهام التي تتراوح من video understanding إلى 3D object detection. مع استمرار المجتمع في تحسين استراتيجيات المسح والتكامل مع convolutional layers، فإن Vision Mamba مستعد ليصبح مكونًا قياسيًا في صندوق أدوات deep learning جنبًا إلى جنب مع CNNs و Transformers.