رئيس الكشف

الوظائف والتشغيل

يعالج رأس الكشف السمات الغنية والمجردة التي تم إنشاؤها بواسطة الطبقات السابقة للشبكة العصبية. تقوم هذه الميزات بتشفير الأنماط المعقدة والأنسجة والأشكال ذات الصلة بالأجسام المحتملة داخل صورة الإدخال. يستخدم الرأس عادةً مجموعة من الطبقات الخاصة به، وغالبًا ما تتضمن طبقات التلافيف، لأداء مهمتين أساسيتين:

1. التصنيف: توقع تسمية الفئة لكل كائن مكتشف (على سبيل المثال، "شخص"، "سيارة"، "كلب"). وغالبًا ما يتم تحقيق ذلك باستخدام تقنيات تصل إلى ذروتها في Softmax أو دالة تنشيط مماثلة لإخراج الاحتمالات لكل فئة.
2. التوطين (الانحدار): التنبؤ بالإحداثيات الدقيقة للمربع المحدد الذي يحيط بكل جسم مكتشف. يتم التعامل مع هذا كمشكلة انحدار.

النماذج المتقدمة مثل Ultralytics YOLO تشتمل على رؤوس كشف عالية الكفاءة مصممة لأداء هذه المهام بسرعة، مما يتيح الاستدلال في الوقت الحقيقي الضروري للعديد من التطبيقات. وغالباً ما تتم معالجة التنبؤات بعد المعالجة باستخدام تقنيات مثل الكبت غير الأقصى (NMS) لإزالة الاكتشافات المكررة.

المكونات الرئيسية والاختلافات

تختلف تصميمات رأس الكشف اختلافًا كبيرًا اعتمادًا على بنية الكشف عن الأجسام المحددة. وتشمل الاختلافات الرئيسية ما يلي:

• المرساة المستندة إلى مرساة مقابل الخالية من المرساة:
  • تعتمد أجهزة الكشف القائمة على المرساة، الشائعة في نماذج مثل Faster R-CNN وإصدارات YOLO السابقة، على مجموعة محددة مسبقًا من مربعات الارتساء ذات الأحجام المختلفة ونسب العرض إلى الارتفاع في مواقع مختلفة على خريطة الميزة. يتنبأ الرأس بالإزاحات لتحسين هذه المراسي ويصنف الكائن داخلها.
  • أجهزة الكشف الخالية من المرساة، والمستخدمة في موديلات مثل YOLO11 و FCOS، التي تتنبأ مباشرةً بخصائص الكائن مثل نقاط المركز والأبعاد دون وجود مرتكزات محددة مسبقًا. يمكن لهذا النهج تبسيط التصميم واحتمال تحسين التعميم، كما هو موضح في فوائد الكشف الخالي من المراسي.
• الرؤوس المقترنة مقابل الرؤوس المنفصلة: تستخدم بعض التصاميم مجموعة واحدة من الطبقات (رأس مقترن) لكل من التصنيف والانحدار، بينما يستخدم البعض الآخر فروعًا منفصلة (رأس منفصل) لكل مهمة، مما قد يحسن الدقة في بعض الأحيان. يمكن استكشاف وحدات رأس Ultralytics بشكل أكبر في وثائق واجهة برمجة التطبيقات.

مقارنة مع المكونات والمهام الأخرى

يتطلب فهم رأس الكشف تمييزه عن الأجزاء الأخرى من نموذج الرؤية الحاسوبية والمهام ذات الصلة:

• العمود الفقري: شبكة العمود الفقري (على سبيل المثال، ResNet، VGG) مسؤولة عن استخراج الميزة الأولية من صورة الإدخال، وتعلم الميزات الهرمية من الحواف منخفضة المستوى إلى أجزاء الكائنات عالية المستوى.
• الرقبة: تقع الرقبة بين العمود الفقري والرأس، وغالبًا ما تجمع الرقبة ميزات من مقاييس متعددة من العمود الفقري (باستخدام تقنيات مثل شبكات هرم الميزات) لتوفير سياق أكثر ثراءً للكشف عن الأجسام ذات الأحجام المختلفة.
• تصنيف الصور: على عكس اكتشاف الأجسام، يقوم تصنيف الصور بتعيين تسمية واحدة للصورة بأكملها دون تحديد الموقع.
• مهام التقسيم: يصنّف التقسيم الدلالي كل بكسل في الصورة، بينما يذهب التقسيم الدلالي إلى أبعد من ذلك من خلال التمييز بين الحالات المختلفة لفئة الكائن نفسها على مستوى البكسل. يوفر اكتشاف الكائنات مربعات محدودة، وليس أقنعة بكسل.

التطبيقات الواقعية

تؤثر فعالية رأس الكشف تأثيراً مباشراً على أداء العديد من تطبيقات الذكاء الاصطناعي المبنية على اكتشاف الأجسام:

1. القيادة الذاتية: تُعد رؤوس الاكتشاف ضرورية في الذكاء الاصطناعي للسيارات ذاتية القيادة لتحديد المشاة والمركبات الأخرى وإشارات المرور والعوائق في الوقت الفعلي وتحديد مواقعها، مما يتيح التنقل الآمن. تعتمد شركات مثل Waymo بشكل كبير على هذه التقنية.
2. الأمن والمراقبة: في أنظمة الأمن، تمكّن رؤوس الكشف من المراقبة الآلية من خلال تحديد الأشخاص غير المصرح لهم أو الأجسام المهجورة أو أحداث معينة في موجزات الفيديو. وهذا يشكل الأساس لتطبيقات مثل دليل نظام الإنذار الأمنيUltralytics .
3. تحليلات البيع بالتجزئة: تُستخدم لإدارة المخزون ومراقبة الرفوف وتحليل سلوك العملاء.
4. التصوير الطبي: مساعدة أطباء الأشعة من خلال الكشف عن الحالات الشاذة مثل الأورام أو الكسور في الأشعة، والمساهمة في تحليل الصور الطبية.
5. التصنيع: تمكين مراقبة الجودة في التصنيع من خلال الكشف التلقائي عن العيوب في المنتجات على خطوط التجميع.

نماذج حديثة للكشف عن الأجسام مثل YOLOv8 و YOLO11التي غالبًا ما تُبنى باستخدام أطر عمل مثل PyTorch أو TensorFlowالتي تتميز برؤوس كشف متطورة مُحسّنة من حيث السرعة والدقة على مجموعات بيانات معيارية مثل COCO. يتم تسهيل تدريب هذه النماذج ونشرها من خلال منصات مثل Ultralytics HUB، مما يسمح للمستخدمين بالاستفادة من قدرات الكشف القوية لاحتياجاتهم الخاصة. وغالبًا ما يتضمن تقييم الأداء مقاييس مثل mAP وIoU، المفصلة في دليل مقاييس أداءYOLO .