تجزئة الصور

كيفية عمل تجزئة الصور

تقوم خوارزميات تجزئة الصور بتحليل الصورة بكسل بكسل، وتجميع وحدات البكسل التي تشترك في خصائص معينة (مثل اللون أو الكثافة أو الملمس) في شرائح. غالبًا ما تستخدم الأساليب الحديثة التعلّم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، والتي تتعلم تحديد الأنماط المعقدة وتعيين التسميات المناسبة لكل بكسل. ويكون الناتج عادةً قناع تجزئة، وهو عبارة عن صورة تتوافق فيها قيمة كل بكسل مع الفئة التي ينتمي إليها. يسلط هذا القناع الضوء على الشكل والموقع الدقيق للأجسام أو المناطق المختلفة داخل الصورة. توجد العديد من تقنيات تجزئة الص ور، بدءًا من الأساليب التقليدية مثل العتبة والتجميع إلى نماذج التعلم العميق المتقدمة.

أنواع تجزئة الصور

يمكن تصنيف تجزئة الصور بشكل عام بناءً على مستوى التفاصيل والتمييز المطلوب:

• التقسيم الدلالي: يعين كل بكسل في الصورة إلى فئة محددة مسبقًا (على سبيل المثال، "سيارة"، "طريق"، "سماء"، "مبنى"). لا يميز بين المثيلات المختلفة لنفس فئة الكائن. على سبيل المثال، سيتم تعيين نفس التسمية واللون "سيارة" لجميع السيارات في الصورة في قناع التجزئة.
• تجزئة المثيل: يذهب خطوة أبعد من التجزئة الدلالية. فهو يحدد كل مثيل كائن فردي داخل الصورة ويعين تسمية أو قناعًا فريدًا لكل واحد منها، حتى لو كانت تنتمي إلى نفس الفئة. على سبيل المثال، تحصل كل سيارة مميزة في الصورة على معرّف وقناع فريد خاص بها.
• التجزئة الشاملة: يجمع بين التجزئة الدلالية وتجزئة المثيل. فهو يعيّن تسمية فئة لكل بكسل (مثل الدلالي) ويحدد بشكل فريد كل مثيل كائن (مثل المثيل). يوفر هذا فهماً شاملاً وموحداً للمشهد.

تطبيقات تجزئة الصور

يتيح التحليل التفصيلي على مستوى البكسل الذي يوفره تجزئة الصور مجموعة واسعة من التطبيقات في مختلف الصناعات:

• تحليل الصور الطبية: يُعد التقسيم أمرًا حيويًا لتحليل الفحوصات الطبية مثل التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي. فهو يساعد في تحديد وتحديد الأعضاء أو الأنسجة أو التشوهات مثل الأورام بدقة عالية، مما يساعد في التشخيص وتخطيط العلاج. على سبيل المثال، يمكن استخدام نماذجUltralytics YOLO للكشف عن الأورام عن طريق تجزئة منطقة الورم بدقة عن الأنسجة السليمة المحيطة بها، مما يوفر معلومات مهمة حول حجمها وشكلها. تستفيد تقنيات التصوير الطبي الشائعة بشكل كبير من التجزئة.
• المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة بشكل كبير على تجزئة الصور لفهم محيطها. فمن خلال تجزئة الطريق وعلامات الحارات والمشاة والمركبات الأخرى والعوائق على مستوى البكسل، يمكن للسيارة التنقل بأمان واتخاذ قرارات قيادة مستنيرة. ويُعدّ فهم الحدود الدقيقة للمناطق القابلة للقيادة مقابل المناطق غير القابلة للقيادة أمراً بالغ الأهمية لتحقيق مستويات أعلى من أتمتة القيادة.
• صور الأقمار الصناعية: تستخدم في تحليل صور الأقمار الصناعية لرسم خرائط الغطاء الأرضي ورصد إزالة الغابات والتخطيط الحضري وتقييم الكوارث.
• الزراعة: تمكين تقنيات الزراعة الدقيقة مثل تحديد مناطق المحاصيل أو اكتشاف الأعشاب الضارة أو تقييم صحة النباتات بناءً على مناطق مجزأة. وهذا يدعم تطبيقات الذكاء الاصطناعي في الزراعة.
• البيع بالتجزئة: تحليل تخطيطات الأرفف، أو مراقبة مستويات المخزون، أو فهم سلوك العملاء من خلال البيانات المرئية المجزأة.

تجزئة الصور و Ultralytics YOLO

Ultralytics YOLO أحدث الإمكانات لمختلف مهام الرؤية الحاسوبية، بما في ذلك تجزئة الصور. تم تصميم نماذج مثل YOLOv8 لأداء تجزئة النماذج بكفاءة ودقة، مما يجعلها مناسبة للتطبيقات في الوقت الحقيقي. يمكنك معرفة المزيد حول إمكانيات مهام التجزئة المحددة في وثائق Ultralytics . يتم تبسيط تدريب نماذج التجزئة المخصصة على مجموعات البيانات مثل مجموعة بيانات COCO الشهيرة أو بياناتك الخاصة باستخدام أدوات مثل Ultralytics HUB، والتي تبسط عملية تدريب النموذج ونشره وإدارته. للحصول على إرشادات حول التنفيذ، راجع موارد مثل البرنامج التعليمي حول التجزئة باستخدام نماذج Ultralytics YOLOv8 المدربة مسبقًا في Python.