الكبت غير الأقصى (NMS)

كيف يعمل الكبت غير الأقصى

تعمل خوارزمية NMS من خلال تكرار المربعات المحدودة المتوقعة واتخاذ القرارات بناءً على مقياسين رئيسيين: درجات الثقة وعتبة التقاطع على الاتحاد (IoU). يمكن تلخيص العملية في هذه الخطوات:

1. فرز حسب الثقة: يتم فرز جميع المربعات المحدودة المتوقعة أولاً بترتيب تنازلي بناءً على درجات الثقة. يعتبر المربع الذي حصل على أعلى الدرجات هو الأكثر احتمالاً أن يكون صحيحاً.
2. حدد أفضل مربع: يتم تحديد المربع المحدّد الذي حصل على أعلى درجة ثقة، ويتم إزالة جميع المربعات الأخرى التي لها وحدة تفاعل عالية مع هذا المربع المحدد (أي أنها تتداخل بشكل كبير) من القائمة.
3. التكرار: تتكرر العملية مع المربعات المحدودة المتبقية حتى يتم تحديد جميع المربعات أو قمعها.

إن عتبة IoU هي معيار مفرط بالغ الأهمية يحدده المستخدم. ستؤدي عتبة IoU المنخفضة إلى عدد أقل من الاكتشافات، حيث ستؤدي إلى كبح المربعات التي تحتوي على تداخل صغير، في حين أن العتبة العالية قد تسمح باكتشافات متعددة لنفس الكائن. غالبًا ما يكون الضبط الدقيق لهذه العتبة جزءًا من تحسين أداء النموذج على مجموعة بيانات محدّدة.

تطبيقات الكبت غير الأقصى

يعد NMS عنصرًا حاسمًا في العديد من تطبيقات الذكاء الاصطناعي في العالم الحقيقي التي تعتمد على الكشف الدقيق عن الكائنات.

• المركبات ذاتية القيادة: في السيارات ذاتية القيادة، يجب على أنظمة الكشف عن الأجسام في السيارات ذاتية القيادة تحديد المشاة وراكبي الدراجات والمركبات الأخرى بدقة من مختلف مدخلات الكاميرا و LiDAR. ويضمن نظام تحديد الأجسام غير المرئية عدم اكتشاف مشاة واحد على أنه عدة أفراد، مما يوفر مدخلات نظيفة لأنظمة تخطيط المسار واتخاذ القرار في السيارة. وهذا يمنع السلوك غير المنتظم مثل الكبح غير الضروري الناجم عن الاكتشافات الزائدة عن الحاجة. يمكن الاطلاع على مزيد من التفاصيل في بحث حول اكتشاف الأجسام ثلاثية الأبعاد للقيادة الذاتية.
• التصوير الطبي: في تحليل الصور الطبية، يُستخدم نظام إدارة الصور العصبية لتحسين اكتشاف الحالات الشاذة مثل الأورام أو الآفات في التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي. على سبيل المثال، عند استخدام نموذج مثل YOLO11 للكشف عن الأورام، يساعد نظام NMS في ضمان تحديد الورم الواحد بمربع حدودي واحد، مما يحسن دقة التشخيص وتخطيط العلاج كما هو موضح في أبحاث التصوير الطبي.

المقارنة مع التقنيات ذات الصلة

إن NMS هي على وجه التحديد خطوة ما بعد المعالجة يتم تطبيقها بعد أن يكون نموذج الكشف عن الكائن قد أنشأ مجموعته الأولية من المربعات المحدودة المرشحة. لا ينبغي الخلط بينه وبين بنية الكشف نفسها، مثل الفرق بين أجهزة الكشف القائمة على المرساة وأجهزة الكشف الخالية من المرساة. وتحدد هذه البنى كيفية اقتراح المربعات المحتملة، بينما يقوم نظام الرصد الوطني بتحسين هذه المقترحات.

ومن المثير للاهتمام، أن التكلفة الحسابية والاختناقات المحتملة المرتبطة بنظام الرصد الوطني قد حفزت البحث في أجهزة الكشف عن الأجسام الخالية من نظام الرصد الوطني. تقوم نماذج مثل YOLOv10 بدمج آليات أثناء التدريب لتجنب التنبؤ بالمربعات الزائدة عن الحاجة بطبيعتها، بهدف تقليل زمن الاستنتاج وتمكين الكشف الشامل الحقيقي. وهذا يتناقض مع النُهج التقليدية مثل Ultralytics YOLOv8 أو YOLOv5، حيث يظل نظام إدارة الشبكة جزءًا قياسيًا وأساسيًا من خط أنابيب الاستدلال. يمكنك استكشاف المقارنات التقنية، مثل YOLOv10 مقابل YOLOv8، في وثائقنا. تقدم المتغيرات مثل Soft-NMS طرقًا بديلة تعمل على تقليل درجات المربعات المتداخلة بدلًا من إزالتها بالكامل.

التكامل مع أدوات Ultralytics

يتم دمج NMS بسلاسة في نظام Ultralytics البيئي. تطبق نماذج Ultralytics YOLO تلقائيًا نظام إدارة المحتوى الوطني أثناء التنبؤ (predict) و التحقق من الصحة (val) أوضاع، مما يضمن حصول المستخدمين على مخرجات كشف نظيفة ودقيقة بشكل افتراضي. يمكن في كثير من الأحيان ضبط المعلمات التي تتحكم في سلوك نظام إدارة الشبكة (مثل عتبة وحدة الكشف عن الهوية وعتبة الثقة) لتلبية احتياجات تطبيق معين.

تعمل المنصات مثل Ultralytics HUB على تجريد هذه التفاصيل بشكل أكبر، مما يسمح للمستخدمين بتدريب النماذج ونشرها حيث يتم التعامل مع نظام إدارة الشبكة تلقائيًا كجزء من خط الأنابيب المحسّن. ويضمن هذا التكامل إمكانية استفادة المستخدمين، بغض النظر عن خبرتهم الفنية العميقة في مجال MLOps، من أحدث نتائج اكتشاف الأجسام لمختلف مهام الرؤية الحاسوبية. يمكن استكشاف تفاصيل التنفيذ المحددة داخل إطار عمل Ultralytics في مرجع أدوات Ultralytics المساعدة. لمزيد من التعريفات، راجع مسرد مصطلحات Ultralytics الرئيسي.