اكتشف قوة تجزئة الصور باستخدام Ultralytics YOLO . استكشف الدقة على مستوى البكسل وأنواعها وتطبيقاتها وحالات استخدام الذكاء الاصطناعي في العالم الحقيقي.
تجزئة الصور هي تقنية أساسية في مجال الرؤية الحاسوبية تقوم بتقسيم الصورة الرقمية إلى أجزاء أو مناطق متعددة، وغالبًا ما تعتمد على خصائص البكسل. والهدف من ذلك هو تبسيط أو تغيير تمثيل الصورة إلى شيء أكثر وضوحًا وأسهل في التحليل. وبدلاً من مجرد تحديد الكائنات باستخدام المربعات المحدودة كما هو الحال في اكتشاف الكائنات، فإن تجزئة الصور تقوم بتعيين تسمية فئة محددة لكل بكسل، مما يوفر فهمًا أكثر دقة لمحتوى الصورة. يعد هذا الفهم على مستوى البكسل أمرًا بالغ الأهمية للمهام التي تتطلب تفاصيل مكانية دقيقة.
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.
يمكن تصنيف تجزئة الصور بشكل عام بناءً على مستوى التفاصيل والتمييز المطلوب:
يتيح التحليل التفصيلي على مستوى البكسل الذي يوفره تجزئة الصور مجموعة واسعة من التطبيقات في مختلف الصناعات:
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.