مسرد المصطلحات

الصندوق المحيط

تعرف على كيفية تمكين الصناديق المحدودة من اكتشاف الأجسام، والذكاء الاصطناعي، وأنظمة التعلم الآلي. استكشف دورها في تطبيقات الرؤية الحاسوبية!

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

المربع المحيط هو إطار مستطيل يُستخدم في الرؤية الحاسوبية لتحديد موقع وحجم الجسم داخل صورة أو إطار فيديو. يتم تعريف هذه المربعات من خلال إحداثيات زواياها، وعادةً ما تكون أعلى اليسار وأسفل اليمين، والتي توفر مخططًا دقيقًا لمكان وجود الجسم. تُعد المربعات المحددة أدوات أساسية في العديد من مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام وتجزئة الصور وتتبع الأجسام، مما يساعد الخوارزميات على تحديد الأجسام وتصنيفها بدقة. يتيح هذا المفهوم التأسيسي مجموعة واسعة من التطبيقات في العديد من الصناعات، مما يجعله حجر الزاوية في أنظمة الذكاء الاصطناعي والتعلم الآلي الحديثة.

الأهمية في اكتشاف الكائنات

تُعد المربعات المحدودة أساسية لتدريب نماذج التعلم الآلي، خاصةً في مجال اكتشاف الأجسام، حيث يتمثل الهدف في تمكين أنظمة الذكاء الاصطناعي من "رؤية" وتفسير البيانات المرئية مثلما يفعل البشر. في نماذج اكتشاف الأجسام مثل Ultralytics YOLO ، تساعد المربعات المحدودة في تحديد المواقع الدقيقة لأجسام متعددة داخل صورة واحدة. ومن خلال رسم إطار مستطيل حول كل كائن تم اكتشافه، توفر هذه المربعات علامة مرئية واضحة تضيّق تركيز نماذج الكشف، مما يحسن دقة وكفاءة اكتشاف الكائنات. تُعد هذه الإمكانية ضرورية للتطبيقات التي تتطلب تحديداً دقيقاً لمواقع الأجسام، مثل المركبات ذاتية القيادة وأنظمة الأمن وإدارة المخزون.

المفاهيم الأساسية المتعلقة بالمربعات المحدودة

تتشابك العديد من المفاهيم المهمة بشكل وثيق مع الصناديق المحدودة في مجال التعلم الآلي:

  • التقاطع على الاتحاد (IoU): IoU هو مقياس يُستخدم لتقييم دقة نماذج اكتشاف الأجسام. وهو يقيس التداخل بين المربع المحدّد المتوقّع والمربع المحدّد للحقيقة الأرضية، مما يوفر نسبة تشير إلى مدى تطابق التنبؤ مع موقع الكائن الفعلي. تشير درجة IoU الأعلى إلى تنبؤ أكثر دقة.
  • الإزالة غير القصوى (NMS): NMS هي تقنية معالجة لاحقة تُستخدم لتحسين مخرجات نماذج اكتشاف الأجسام. وهي تزيل المربعات المحدودة الزائدة عن الحاجة التي تتداخل بشكل كبير، مما يضمن الاحتفاظ فقط بأكثر الاكتشافات ثقة ودقة.
  • متوسط الدقة المتوسطة (mAP): يُعد متوسط الدقة المتوسطة مقياسًا شاملاً يقيّم الأداء العام لنماذج اكتشاف الأجسام. وهو يأخذ في الاعتبار كلاً من الدقة والاستدعاء عبر فئات متعددة وعتبات IoU، مما يوفر مقياسًا قويًا لفعالية النموذج في اكتشاف الأجسام بدقة.

مربعات الحدود مقابل المصطلحات ذات الصلة

بينما تُستخدم المربعات المحدودة لتحديد مواقع 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 مميز، ويقدم معلومات أكثر تفصيلاً من المربعات المحدودة من خلال توفير أقنعة على مستوى البكسل لكل كائن.

التطبيقات في سيناريوهات العالم الحقيقي

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

المركبات ذاتية القيادة

في تطوير السيارات ذاتية القيادة، تلعب المربعات المحدودة دوراً حاسماً في تحديد وتتبع المشاة والمركبات الأخرى والعوائق على الطريق. يعد الاكتشاف الدقيق باستخدام المربعات المحدودة أمراً ضرورياً للملاحة الآمنة وتجنب الاصطدام. فهو يضمن قدرة الأنظمة ذاتية القيادة على اتخاذ قرارات مستنيرة في الوقت المناسب، مثل وقت الفرملة أو تغيير المسار. تعرّف على المزيد حول تأثير الذكاء الاصطناعي على تكنولوجيا القيادة الذاتية.

إدارة البيع بالتجزئة والمخزون

في صناعة 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 تجديد المخزون وتحسين الكفاءة التشغيلية الإجمالية. لا تعمل هذه التقنية على تبسيط العمليات فحسب، بل تعمل أيضاً على تعزيز رضا العملاء من خلال ضمان توافر المنتجات. اكتشف كيف تُحدث تقنية Vision AI ثورة في إدارة المخزون في مجال البيع بالتجزئة.

قراءة الكل