مسرد المصطلحات

الصندوق المحيط

تعلّم كيف تعمل الصناديق المحدودة على تعزيز اكتشاف الكائنات والذكاء الاصطناعي والتعلم الآلي باستخدام Ultralytics YOLO . اكتشف الأدوات والمفاهيم والتطبيقات الواقعية.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

الصندوق المحيط هو مخطط مستطيل يبرز موقع وحجم الجسم داخل صورة أو إطار فيديو. تُعد هذه المربعات أدوات أساسية في الرؤية الحاسوبية، خاصةً في مهام مثل اكتشاف الأجسام وتجزئة الصور وتتبع الأجسام. تساعد المربعات المحدودة التي يتم تعريفها من خلال إحداثيات زواياها العلوية اليسرى والسفلية اليمنى، الخوارزميات على تحديد الأجسام وتصنيفها بدقة، مما يتيح مجموعة واسعة من التطبيقات في مختلف الصناعات.

الأهمية في الذكاء الاصطناعي والتعلم الآلي

تعتبر المربعات المحدودة ضرورية لتدريب نماذج التعلم الآلي (ML) لفهم البيانات المرئية وتفسيرها. وهي ضرورية في نماذج الكشف عن الأجسام، مثل Ultralytics YOLO ، وهي نماذج مصممة للكشف عن أجسام متعددة في صورة واحدة. من خلال توفير علامة مرئية واضحة، تساعد المربعات المحدودة في تضييق نطاق تركيز نماذج الكشف، مما يحسن دقة وكفاءة الكشف عن الأجسام.

المفاهيم الأساسية المتعلقة بالمربعات المحدودة

ترتبط العديد من المفاهيم المهمة ارتباطًا وثيقًا بالصناديق المحدودة في مجال التعلم الآلي:

  • التقاطع على الاتحاد (IoU): IoU هو مقياس يقيس التداخل بين المربع المحدد المتوقع والمربع المحدد الفعلي (الحقيقة الأرضية). يُستخدم لتقييم دقة نماذج اكتشاف الأجسام. يشير ارتفاع IoU إلى محاذاة أفضل بين المربعات المتوقعة والفعلية.
  • الإخماد غير الأقصى (NMS): NMS هي تقنية تُستخدم لإزالة المربعات المحدودة الزائدة عن الحاجة. وهي تختار المربع المحدد الأكثر دقة من بين عدة مربعات متداخلة، مما يحسن نتائج الكشف الإجمالية.
  • متوسط الدقة المتوسطة ( mAP ): يُعد متوسط الدقة المتوسطة مقياسًا شائعًا لتقييم أداء نماذج اكتشاف الأجسام. وهو يأخذ في الاعتبار كلاً من الدقة والاستدعاء عبر عتبات IoU المختلفة، مما يوفر مقياسًا شاملاً لدقة النموذج.

مربعات الحدود مقابل المصطلحات ذات الصلة

بينما تُستخدم المربعات المحدودة لتحديد موقع الأجسام، إلا أنها تختلف عن تقنيات الرؤية الحاسوبية الأخرى مثل التجزئة الدلالية وتجزئة النماذج. يتضمن التجزئة الدلالية تصنيف كل بكسل في الصورة إلى فئة معينة، مما يوفر خطوطًا تفصيلية ولكن لا يميز بين الأجسام الفردية من نفس الفئة. من ناحية أخرى، يحدد تجزئة المثيل ويحدد كل مثيل كائن متميز، مما يوفر معلومات أكثر تفصيلاً من المربعات المحدودة.

التطبيقات في سيناريوهات العالم الحقيقي

تُستخدم الصناديق المحدودة في العديد من التطبيقات الواقعية نظرًا لبساطتها وفعاليتها. فيما يلي مثالان بارزان:

المركبات ذاتية القيادة

في السيارات ذاتية القيادة، تساعد المربعات المحدودة في تحديد وتتبع المشاة والمركبات الأخرى والعوائق على الطريق. هذه القدرة ضرورية للملاحة الآمنة وتجنب الاصطدام. ويضمن الاكتشاف الدقيق باستخدام المربعات المحدودة قدرة الأنظمة ذاتية القيادة على اتخاذ القرارات في الوقت المناسب. تعرّف على المزيد حول تأثير الذكاء الاصطناعي على تكنولوجيا القيادة الذاتية.

إدارة البيع بالتجزئة والمخزون

في مجال البيع بالتجزئة، تُستخدم الصناديق المحدودة لمراقبة مستويات المخزون وإدارة المخزون بكفاءة. من خلال الكشف عن المنتجات على الرفوف وعدّها، يمكن لأنظمة الكشف عن الأشياء أتمتة تتبع المخزون وتحسين العمليات. تعمل هذه التقنية على تبسيط العمليات وتحسين رضا العملاء. اكتشف كيف تُحدث تقنية Vision AI ثورة في إدارة المخزون في مجال البيع بالتجزئة.

الأدوات والتقنيات

يتم استخدام العديد من الأدوات والتقنيات لتنفيذ الصناديق المحدودة في التعلم الآلي:

  • Ultralytics YOLO: يشتهر إطار Ultralytics YOLO بقدراته على اكتشاف الأجسام في الوقت الحقيقي. يستخدم المربعات المحدودة لتحديد الأجسام وتحديد موقعها بسرعة ودقة. استكشف الإطار Ultralytics YOLO الإطار لمزيد من التفاصيل.
  • OpenCV: OpenCV هي مكتبة رؤية حاسوبية مفتوحة المصدر توفر أدوات لمعالجة الصور والفيديو. تُستخدم بشكل شائع لرسم ومعالجة المربعات المحدودة. تعرف على المزيد حول OpenCV.
  • أدوات وضع العلامات: تُستخدم أدوات مثل LabelImg و Roboflow للتعليق على الصور من خلال رسم مربعات محددة حول الكائنات. هذه التعليقات التوضيحية ضرورية لتدريب نماذج اكتشاف الكائنات. استكشف تصنيف البيانات لمشاريع الرؤية الحاسوبية لمعرفة المزيد.

من خلال فهم هذه المفاهيم والأدوات والاستفادة منها، يمكن للمطورين والباحثين الاستفادة من الصناديق المحدودة لإنشاء أنظمة قوية ودقيقة للكشف عن الأجسام، مما يؤدي إلى الابتكار في مختلف التطبيقات. قم بزيارة Ultralytics HUB للحصول على الموارد والأدوات اللازمة لتعزيز مشاريع الرؤية الحاسوبية الخاصة بك.

قراءة الكل