اكتشف الكبت غير الأقصى (NMS) لاكتشاف الأجسام. تعرّف على كيفية تحسين النتائج وتعزيز الدقة وتشغيل تطبيقات الذكاء الاصطناعي مثل YOLO.
يُعد الكبت غير الأقصى (NMS) تقنية حاسمة لما بعد المعالجة تُستخدم في الرؤية الحاسوبية، خاصةً ضمن خطوط أنابيب اكتشاف الأجسام. وتتمثل وظيفتها الأساسية في تنظيف المخرجات الأولية من نماذج الكشف، والتي غالبًا ما تحدد عدة مربعات متداخلة لنفس الكائن. من خلال تصفية هذه المربعات الزائدة عن الحاجة بذكاء، يضمن نظام NMS تمثيل كل كائن مميز في صورة أو إطار فيديو بمربع محدد واحد ومثالي مما يحسن بشكل كبير من وضوح ودقة نتائج الكشف.
عادةً ما تُنشئ نماذج اكتشاف الأجسام العديد من المربعات المحدّدة المحتملة حول الأجسام، ولكل منها درجة ثقة مرتبطة بها تشير إلى احتمال احتواء المربع على جسم ما وانتمائه إلى فئة معينة. يعمل NMS من خلال تقليل هذه المقترحات بشكل منهجي بناءً على درجات الثقة والتداخل المكاني. تتضمن العملية بشكل عام فرز جميع المربعات المكتشفة حسب درجات الثقة الخاصة بها بترتيب تنازلي. يتم اختيار المربع الذي حصل على أعلى درجات الثقة كاكتشاف نهائي. بعد ذلك، يتم استبعاد أو إهمال جميع المربعات الأخرى التي تتداخل بشكل كبير مع هذا المربع المحدد (أعلى من عتبة التقاطع فوق الاتحاد (IoU) المحددة مسبقًا). يتكرر هذا الإجراء بشكل متكرر مع المربعات المتبقية حتى يتم اختيار جميع المربعات أو استبعادها. يضمن ذلك بقاء المربعات الأكثر ثقة وغير المتداخلة فقط، مما يوفر مخرجات أنظف كما هو موضح في موارد مثل شرح NMS الخاص ب Learn OpenCV.
في الذكاء الاصطناعي والتعلم الآلي(AI) والتعلم الآلي(ML)، يعد نظام إدارة الشبكة أمرًا حيويًا لتحقيق أداء موثوق به في اكتشاف الأجسام، خاصةً مع نماذج مثل Ultralytics YOLO. بدون NMS، ستكون المخرجات مشوشة بمربعات متعددة لأجسام مفردة، مما يؤدي إلى أخطاء محتملة في المهام النهائية مثل تتبع الأجسام أو فهم المشهد. من خلال التخلص من هذه الاكتشافات الزائدة عن الحاجة (غالبًا ما تسمى بالإيجابيات الزائفة)، يعزز نظام إدارة المحتوى الوطني دقة تنبؤات النموذج بشكل كبير. هذا التحسين أمر بالغ الأهمية للتطبيقات التي تتطلب موثوقية عالية. يمكنك استكشاف كيفية حساب مقاييس مثل متوسط الدقة المتوسطة (mAP) بعد نظام إدارة المحتوى الوطني في دليل مقاييس أداءYOLO .
يعد NMS أمرًا أساسيًا للعديد من تطبيقات الذكاء الاصطناعي العملية:
NMS هي خطوة معالجة لاحقة يتم تطبيقها بعد قيام النموذج بتوليد عمليات الكشف الأولية. وهي تختلف عن آلية الكشف نفسها، مثل تلك التي تستخدمها أجهزة الكشف القائمة على المرساة أو أجهزة الكشف الخالية من المرساة. في حين أن هذه البنى تحدد كيفية اقتراح المربعات المرشحة، فإن نظام الرصد غير المرتكز على مرساة يقوم بتحسين هذه المقترحات. ومن المثير للاهتمام أن التطورات الأخيرة أدت إلى نماذج تهدف إلى الكشف الخالي من نظام الكشف الخالي من المراسي، مثل YOLOv10، الذي يدمج آليات لتجنب التنبؤات الزائدة عن الحاجة أثناء التدريب، مما قد يقلل من زمن انتقال الاستدلال. وهذا يتناقض مع الأساليب التقليدية مثل YOLOv8 أو YOLOv5 حيث يعد نظام إدارة النماذج جزءًا قياسيًا من خط أنابيب الاستدلال. يمكنك العثور على المزيد من المقارنات بين نماذج مثل YOLO11 مقابل YOLOv10 في وثائقنا.
يتم دمج NMS بسلاسة في نظام Ultralytics البيئي. تقوم نماذج Ultralytics YOLO بتطبيق NMS افتراضيًا أثناء مرحلتي التنبؤ والتحقق من الصحة لضمان الحصول على مخرجات نظيفة ودقيقة. تعمل أدوات مثل Ultralytics HUB على تبسيط العملية بشكل أكبر، مما يسمح للمستخدمين بتدريب النماذج ونشرها حيث يتم التعامل مع NMS تلقائيًا، مما يجعل الكشف المتقدم عن الكائنات متاحًا حتى بدون خبرة تقنية عميقة. يمكن استكشاف تفاصيل التنفيذ الأساسية في مرجع أدواتUltralytics المساعدة. يضمن هذا التكامل استفادة المستخدمين من نتائج الكشف المحسّنة خارج الصندوق لمختلف مهام الرؤية الحاسوبية. يمكنك أيضًا استكشاف مفاهيم الذكاء الاصطناعي الأخرى في مسرد مصطلحاتUltralytics .