اكتشف قوة أجهزة الكشف عن الأجسام الخالية من المثبتات - اكتشاف الأجسام بشكل انسيابي مع تحسين الدقة والكفاءة والقدرة على التكيف مع التطبيقات الواقعية.
تمثّل أجهزة الكشف الخالية من المراسي نهجًا حديثًا في الكشف عن الأجسام يبسّط العملية من خلال التنبؤ بمواقع الأجسام مباشرةً دون الاعتماد على مربعات الارتكاز المحددة مسبقًا. على عكس أجهزة الكشف المستندة إلى المرساة، والتي تستخدم مجموعة من المربعات المحددة مسبقًا بأحجام ونسب أبعاد مختلفة لتحديد مواقع الأجسام، تتنبأ الطرق الخالية من المرساة بخصائص الأجسام مثل نقاط المركز أو نقاط الزوايا الرئيسية مباشرةً من ميزات الصورة. يؤدي هذا غالبًا إلى تصميم نماذج أبسط، وتقليل النفقات الحسابية أثناء التدريب، وتحسين الأداء، خاصةً للأجسام ذات الأشكال أو المقاييس غير التقليدية التي توجد عادةً في مجموعات البيانات مثل COCO.
تعمل أجهزة الكشف الخالية من المرساة عادةً من خلال التعامل مع اكتشاف الأجسام كمشكلة تقدير نقطة رئيسية أو مشكلة تنبؤ مركزية داخل خرائط السمات التي تم إنشاؤها بواسطة شبكة عصبية تلافيفية (CNN). وبدلاً من مطابقة التنبؤات بمجموعة كثيفة من مربعات الارتكاز، تقوم هذه النماذج مباشرةً بتراجع خصائص الكائن في مواقع محددة. تتضمن الأساليب الشائعة ما يلي:
تقضي هذه الطرق على تصميم المرساة المعقد ومنطق المطابقة الذي تتطلبه الأساليب القائمة على المرساة.
تتمثل الميزة الأساسية لأجهزة الكشف الخالية من المراسي في بساطتها ومرونتها. وتشمل المزايا الرئيسية ما يلي:
يكمن الاختلاف الرئيسي في التعامل مع مقترحات توطين الكائنات. تعتمد أجهزة الكشف القائمة على المرساة، مثل النماذج القديمة مثل YOLOv4، اعتمادًا كبيرًا على مجموعة محددة مسبقًا من مربعات الارتساء الموزعة عبر الصورة. تتنبأ الشبكة بالإزاحات من هذه المراسي وتصنّف ما إذا كانت المرساة تحتوي على كائن أم لا. يتطلب ذلك تكوين مرساة دقيقة بناءً على إحصائيات مجموعة البيانات.
أجهزة الكشف الخالية من المرساة، بما في ذلك Ultralytics YOLO الحديثة مثل YOLO11تتجاوز هذه الخطوة. فهي تتنبأ مباشرةً بمواقع الكائنات أو النقاط الرئيسية بالنسبة لخلايا الشبكة أو مواقع خرائط الملامح. يؤدي هذا غالبًا إلى خطوات أبسط بعد المعالجة اللاحقة، مثل الكبت غير الأقصى (NMS)، ويمكن أن يحسن دقة الكشف عن الأجسام غير منتظمة الشكل. يمكنك قراءة المزيد حول مزايا Ultralytics YOLO11 كونه كاشفًا خاليًا من المراسي.
أجهزة الكشف الخالية من المرساة فعالة في مهام الرؤية الحاسوبية المختلفة:
يتم دعم تطوير كاشفات خالية من الارتكاز من خلال أطر عمل التعلم العميق الرئيسية مثل PyTorch و TensorFlow. يوفر نظام Ultralytics البيئي أدوات ونماذج مدربة مسبقًا تستفيد من التصاميم الخالية من الارتكاز. يمكنك استكشافوثائق Ultralytics للحصول على تفاصيل التنفيذ واستخدام Ultralytics HUB لتبسيط تدريب النماذج ونشرها. تسرد موارد مثل Papers With Code أحدث النماذج، والعديد منها خالٍ من الارتكاز. للحصول على المعرفة التأسيسية، ضع في اعتبارك الدورات التدريبية من منصات مثل DeepLearning.AI.