تجزئة المثيل

تجزئة المثيل هي تقنية متطورة للرؤية الحاسوبية تعمل على تحسين عملية اكتشاف الأجسام من خلال تحديد الأجسام داخل الصورة وكذلك تعيين الحدود الدقيقة لكل جسم على مستوى البكسل. على عكس الأساليب الأبسط، يميز تجزئة المثيل بين المثيلات الفردية من نفس فئة الكائن، مما يوفر قناعًا مفصلاً لكل كائن في المشهد. هذا المستوى الدقيق من الفهم يجعله لا يقدر بثمن للتطبيقات التي تتطلب التعرف على الكائنات وفصلها بدقة.

ما هو تجزئة المثيل؟

يتجاوز تجزئة المثيل الاكتشاف الأساسي للكائنات، الذي يرسم مربعات محددة حول الكائنات، والتجزئة الدلالية التي تسمي كل بكسل في الصورة بفئة ما ولكنها لا تفرق بين الكائنات الفردية من نفس الفئة. بدلاً من ذلك، يحدد تجزئة المثيل كل مثيل كائن بشكل فريد، حتى عندما تتداخل. على سبيل المثال، في صورة تحتوي على سيارات متعددة، لن يتعرف تجزئة المثيل على كل منها على أنها "سيارة" فحسب، بل سيُنشئ أيضًا قناعًا منفصلاً ومثاليًا لكل سيارة على حدة لكل بكسل على حدة، مما يميزها عن بعضها البعض وعن الخلفية. تُعد هذه الإمكانية حاسمة في السيناريوهات التي يكون فيها عد الأجسام الفردية أو تحليل أشكالها المحددة أمرًا مهمًا.

تجزئة المثيل مقابل المهام ذات الصلة

على الرغم من ارتباطها ببعضها البعض، إلا أن تجزئة المثيل تختلف بشكل كبير عن مهام الرؤية الحاسوبية الأخرى:

• اكتشاف الكائنات: يركز اكتشاف الكائنات على تحديد الكائنات داخل الصورة وتحديد موقعها من خلال رسم مربعات محددة حولها. يخبرك ما هي الأجسام وأين توجد الأجسام، ولكن ليس شكلها أو حدودها بالضبط.
• التقسيم الدلالي: يصنف التقسيم الدلالي كل بكسل في الصورة إلى فئات محددة مسبقًا، مثل "سماء" أو "طريق" أو "سيارة". يوفر فهمًا للمشهد على مستوى البكسل للمشهد ولكنه لا يفرق بين المثيلات المنفصلة لفئة الكائن نفسه. على سبيل المثال، يتم تصنيف جميع السيارات على أنها بكسلات "سيارة"، ولكن لا يتم تمييزها كأجسام فردية.
• تجزئة المثيل: يجمع تجزئة المثيل بين نقاط القوة في كليهما. فهو يقوم بإجراء تصنيف على مستوى البكسل مثل التجزئة الدلالية، ولكنه يقوم أيضًا بتمييز وتقسيم كل مثيل كائن على حدة، مثل اكتشاف الكائنات، مما يوفر فهمًا شاملاً ومفصلاً للأجسام الموجودة في الصورة.

تطبيقات تجزئة المثيل

دقة تجزئة النماذج تجعلها ضرورية في مجموعة متنوعة من المجالات:

• القيادة الذاتية: في السيارات ذاتية القيادة، يمكن أن يساعد تجزئة الأمثلة في السيارات ذاتية القيادة السيارة على فهم محيطها من خلال تحديد وتتبع كل مشاة ومركبة وعائق على الطريق بدقة. هذا الإدراك التفصيلي ضروري للملاحة الآمنة واتخاذ القرارات في سيناريوهات حركة المرور المعقدة.
• تحليل الصور الطبية: في مجال الرعاية الصحية، يعد تجزئة المثيل لا يقدر بثمن لتحليل الصور الطبية. حيث يمكن استخدامه لتجزئة الخلايا أو الأورام أو الأعضاء الفردية بدقة من الفحوصات الطبية مثل التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب، مما يساعد في التشخيص وتخطيط العلاج ومراقبة تطور المرض. على سبيل المثال Ultralytics YOLOv8 يمكن استخدامه للكشف عن الأورام في التصوير الطبي، والاستفادة من تجزئة النماذج لتحديد موقع الأورام وتحديدها بدقة.
• الروبوتات: بالنسبة للروبوتات التي تتفاعل مع العالم الحقيقي، يوفر تجزئة المثيل الفهم التفصيلي للمشهد اللازم للمهام المعقدة. سواء أكان ذراع روبوت يلتقط العناصر في مستودع أو روبوت خدمة يتنقل في بيئة ديناميكية، فإن معرفة الشكل والموقع الدقيق لكل كائن أمر بالغ الأهمية للتشغيل الفعال والآمن.

تجزئة المثيل و Ultralytics YOLO

Ultralytics YOLO النماذج في طليعة النماذج في الوقت الحقيقي، حيث تقدم نماذج مثل Ultralytics YOLOv8 و Ultralytics YOLO11 القادرة على أداء تجزئة النماذج بدقة وسرعة عاليتين. يمكن تدريب هذه النماذج بسهولة على مجموعات بيانات مخصصة ونشرها باستخدام Ultralytics HUB لإدارة النماذج ونشرها بشكل مبسط. للبدء في تجزئة النماذج، يمكنك استكشاف موارد مثل كيفية استخدام Ultralytics YOLO11 لتجزئة الن ماذج والتعرف على التجزئة باستخدام نماذج Ultralytics YOLOv8 المدربة مسبقًا في Python.