أجهزة الكشف الخالية من المرساة

أجهزة الكشف الخالية من المرساة مقابل. أجهزة الكشف المستندة إلى مرساة

يكمن الاختلاف الأساسي في كيفية إنشاء الكائنات المرشحة.

• أجهزة الكشف القائمة على المرساة: تستخدم نماذج مثل YOLOv5 و Faster R-CNN مجموعة محددة مسبقًا من مربعات الارتكاز بأحجام ونسب أبعاد مختلفة في مواقع مختلفة في الصورة. تقوم الشبكة بتنقيح هذه المربعات لمطابقة الأجسام الحقيقية الأرضية. يمكن أن يكون هذا النهج مكثفًا من الناحية الحسابية ويتطلب اختيارًا دقيقًا لتكوينات الارتكاز، والتي قد لا يمكن تعميمها بشكل جيد عبر مجموعات بيانات مختلفة مثل COCO.
• أجهزة الكشف الخالية من المرساة: تتجاوز هذه النماذج الحاجة إلى مربعات محددة مسبقًا. فهي تتنبأ مباشرةً بخصائص الكائن من ميزات الصورة. يؤدي ذلك إلى تصميم أبسط ويمكن أن يؤدي إلى استنتاج أسرع في الوقت الحقيقي وتحسين اكتشاف الأجسام غير منتظمة الشكل. وقد تبنت البنى الحديثة، بما في ذلك Ultralytics YOLO11، هذا التصميم لاكتساب الكفاءة والمرونة.

كان التحرك نحو التصميم الخالي من الارتكاز تطورًا رئيسيًا في تطور اكتشاف الأجسام، وكان رائدًا في نماذج مثل YOLOX، الذي قدمته شركة Megvii في ورقتها البحثية لعام 2021. يمكنك الاطلاع على مقارنة تقنية بين YOLO11 و YOLOX لفهم الاختلافات المعمارية بينهما.

كيف تعمل أجهزة الكشف الخالية من المرساة؟

تعتمد أجهزة الكشف الخالية من المرساة عادةً واحدة من استراتيجيتين رئيسيتين:

1. مستندة إلى النقاط الرئيسية: تحدد هذه الطرق موقع الكائنات من خلال تحديد النقاط الرئيسية، مثل الزوايا أو النقاط المركزية. يتعلم النموذج تجميع هذه النقاط الرئيسية لتكوين تنبؤات المربع المحدود الكاملة.
2. المستندة إلى المركز: تتنبأ هذه الأساليب بمركز الجسم ثم تنحدر المسافة من المركز إلى الجوانب الأربعة للمربع المحدد. هذه تقنية شائعة وفعالة مستخدمة في العديد من أجهزة الكشف الحديثة.

تعمل هذه الأساليب على تبسيط عملية تعيين التسميات أثناء تدريب النموذج، وغالبًا ما تتضمن تقنيات متقدمة مثل دوال الخسارة المتطورة وزيادة البيانات القوية لتعزيز الأداء.

التطبيقات الواقعية

إن مرونة وكفاءة أجهزة الكشف الخالية من المراسي تجعلها فعالة للغاية في مختلف المجالات:

• القيادة الذاتية: في الأنظمة الخاصة بالمركبات ذاتية القيادة، يمكن لهذه الكاشفات تحديد المشاة والسيارات الأخرى والعوائق ذات الأشكال والأحجام المتنوعة بدقة. هذه القدرة على التكيف أمر بالغ الأهمية لأنظمة الملاحة التي يتم تطويرها من قبل شركات مثل Waymo.
• تحليل الصور الطبية: تتفوق النماذج الخالية من المرساة في تحديد مواقع الحالات الشاذة ذات الأشكال غير المنتظمة، مثل الأورام أو الآفات في عمليات المسح الطبي. على سبيل المثال، يستفيد استخدام YOLO11 للكشف عن الأورام من طبيعته الخالية من المراسي لتحديد موقع أكثر دقة في الصور الطبية.
• تحليلات البيع بالتجزئة: يمكن لهذه النماذج مراقبة أرفف المتاجر بفعالية بحثًا عن العناصر غير المتوفرة في المخزون أو تحليل حركة العملاء، حتى مع المنتجات المعبأة بكثافة أو ذات الأشكال الغريبة. وهذا جزء أساسي من إدارة المخزون القائمة على الذكاء الاصطناعي.
• الأمن والمراقبة: يُعد تحديد الأفراد أو الأجسام في المشاهد المزدحمة مهمة شائعة في المراقبة الذكية. تتعامل أجهزة الكشف الخالية من المرساة مع الأجسام بمقاييس مختلفة بشكل جيد، مما يجعلها مثالية لهذه التطبيقات.

الأدوات والتقنيات

يتم دعم تطوير النماذج الخالية من الارتكاز من خلال أطر التعلم العميق الرئيسية مثل PyTorch و TensorFlow. يوفر نظام Ultralytics البيئي أدوات شاملة لبناء ونشر هذه الكواشف المتقدمة. يمكنك استكشاف وثائقنا واستخدام Ultralytics HUB لإدارة مجموعات البيانات وتدريب النماذج والتعامل مع النشر. وللتعلم المستمر، تقدم منصات مثل كورسيرا دورات تأسيسية، وموارد مثل Papers With Code تسرد أحدث النماذج.