الكبت غير الأقصى (NMS)

كيف يعمل الكبت غير الأقصى

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.

الأهمية في الذكاء الاصطناعي والتعلم الآلي

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 .

التطبيقات الواقعية

يعد NMS أمرًا أساسيًا للعديد من تطبيقات الذكاء الاصطناعي العملية:

• المركبات ذاتية القيادة: في السيارات ذاتية القيادة، يساعد نظام الرصد الذاتي في ضمان اكتشاف المشاة والمركبات الأخرى وإشارات المرور بدقة وبشكل فريد، وهو أمر بالغ الأهمية للملاحة الآمنة واتخاذ القرارات. يمكن أن تؤدي عمليات الكشف الزائدة عن الحاجة إلى إرباك نظام القيادة، كما هو مفصل في المناقشات حول الذكاء الاصطناعي في المركبات ذاتية القيادة.
• تحليل الصور الطبية: عند تحليل صور الأشعة مثل الأشعة السينية أو التصوير بالرنين المغناطيسي بحثاً عن حالات شاذة مثل الأورام، قد تبرز نماذج اكتشاف الأجسام في البداية عدة مناطق متداخلة لمشكلة واحدة محتملة. تقوم NMS بترشيحها لتحديد المنطقة الأكثر احتمالاً، مما يساعد أخصائيي الأشعة في التشخيص، وهو جزء أساسي من الذكاء الاصطناعي في مجال الرعاية الصحية. يمكن الاطلاع على المزيد حول هذا الأمر في موارد جمعية الأشعة في أمريكا الشمالية (RSNA).

مقارنة مع التقنيات ذات الصلة

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.

التكامل مع أدوات Ultralytics

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 .