تجزئة المثيل

لمحة عامة

وتجاوزًا للطرق الأبسط، يولد تجزئة المثيل قناعًا فريدًا لكل كائن تم اكتشافه، حتى لو كانت عدة أجسام تنتمي إلى نفس الفئة (مثل تحديد كل سيارة على حدة في صورة حركة المرور). يسمح هذا التحديد المثالي للبيكسل للأنظمة بفهم ليس فقط ما هي الأشياء الموجودة، ولكن أيضًا شكلها وحجمها وموقعها بدقة، مما يميّز العناصر المتداخلة بشكل فعال. هذه القدرة حيوية للمهام التي تتطلب وعيًا مكانيًا دقيقًا ودقة عالية.

تجزئة المثيل مقابل المهام ذات الصلة

من المهم التمييز بين تجزئة النماذج ومهام الرؤية الحاسوبية ذات الصلة:

• اكتشاف الأجسام: تحدد هذه المهمة الأجسام وترسم مربعًا محددًا مستطيلًا حول كل منها. تخبرك بمكان الأجسام ولكن ليس شكلها الدقيق.
• التقسيم الدلالي: يصنف كل بكسل في الصورة إلى فئة (على سبيل المثال، "سيارة"، "طريق"، "سماء"). ومع ذلك، فإنه لا يفرّق بين الحالات الفردية؛ حيث تتشارك جميع السيارات في نفس تصنيف "سيارة" دون فصل. يمكنك معرفة المزيد في هذا الدليل لتجزئة المثيل مقابل التجزئة الدلالية.
• التجزئة الشاملة: يجمع هذا بين التجزئة الدلالية وتجزئة المثيلات، حيث يتم تعيين تسمية فئة ومعرف مثيل فريد لكل بكسل.

يركز تجزئة المثيل على وجه التحديد على تحديد وتحديد الكائنات المميزة.

كيفية عمل تجزئة المثيل

غالبًا ما تستخدم الأساليب التقليدية، مثل شبكة R-CNN ذات القناع المعروفة، عملية من مرحلتين: أولاً اكتشاف الكائنات ذات المربعات المحدودة، ثم إنشاء أقنعة داخل تلك المربعات. على الرغم من دقة هذه العملية، إلا أنها قد تكون عملية حسابية مكثفة. أما الطرق الأكثر حداثة ذات المرحلة الواحدة، بما في ذلك المتغيرات من Ultralytics YOLOتتنبأ بالمربعات المحدودة والأقنعة في وقت واحد، مما يحقق أداءً أسرع ومناسبًا للاستدلال في الوقت الحقيقي. يتم تدريب هذه النماذج على مجموعات بيانات كبيرة مثل COCO، والتي تتضمن شروح التجزئة(مجموعة بيانات تجزئة COCO).

تطبيقات تجزئة المثيل

المخرجات التفصيلية لتجزئة النماذج لا تقدر بثمن في العديد من المجالات:

1. القيادة الذاتية: يسمح تجزئة المشاة والمركبات وراكبي الدراجات وخطوط المسارات بدقة للسيارات ذاتية القيادة بفهم أفضل لمحيطها والتنقل في سيناريوهات حركة المرور المعقدة بأمان، والتنبؤ بالتحركات بدقة أكبر مما تسمح به المربعات المحددة وحدها. غالباً ما تعتمد الأبحاث التي تجريها مؤسسات مثل Waymo بشكل كبير على التجزئة.
2. تحليل الصور الطبية: في علم الأشعة أو علم الأمراض، يمكن أن يؤدي تجزئة الصور على سبيل المثال إلى تحديد الأورام أو الأعضاء أو حتى الخلايا الفردية بدقة في عمليات المسح (مثل التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب). وهذا يساعد الأطباء في التشخيص وتخطيط العلاج (مثل العلاج الإشعاعي) وقياس التغيرات بمرور الوقت، مما يساهم في التقدم في مجال الذكاء الاصطناعي في الرعاية الصحية. اطلع على أدلة استخدام YOLO11 للكشف عن الأورام.
3. الروبوتات: تحتاج الروبوتات التي تؤدي مهام مثل انتقاء العناصر ووضعها إلى معرفة الشكل الدقيق للأشياء لفهمها بشكل صحيح، خاصةً في البيئات المزدحمة. ويوفر تجزئة المثيل هذه المعلومات المهمة عن الشكل(الذكاء الاصطناعي في الروبوتات).
4. تحليل صور الأقمار الصناعية: يساعد تحديد وتخطيط المباني الفردية أو الحقول أو المسطحات المائية من صور الأقمار الصناعية أو الصور الجوية في التخطيط الحضري والرصد الزراعي والتقييم البيئي(تقنيات تحليل صور الأقمار الصناعية).

تجزئة المثيل و Ultralytics YOLO

توفر Ultralytics أحدث النماذج القادرة على تجزئة النماذج عالية الأداء. نماذج مثل Ultralytics YOLOv8 والنماذج الأحدث Ultralytics YOLO11 أوزانًا مدربة مسبقًا لمهام التجزئة ويمكن تدريبها بسهولة على مجموعات بيانات محددة. يمكنك تعلّم كيفية استخدام YOLO11 للتجزئة على سبيل المثال أو استكشاف التجزئة باستخدام نماذج YOLOv8 المدربة مسبقًا. يتم تبسيط إدارة مجموعات البيانات والتدريب والنشر باستخدام Ultralytics HUB. للحصول على مقارنات مفصلة للأداء، راجع YOLO11 مقابل YOLOv8. توفر وثائق مهمة التجزئة مزيدًا من الإرشادات.