اكتشاف الكائن

كيف يعمل اكتشاف الكائنات

عادةً ما يجمع اكتشاف الكائنات بين مهمتين أساسيتين: تصنيف الكائنات (تحديد "ما" الكائن الموجود) وتحديد موقع الكائن (تحديد "مكان" الكائن). تعتمد الأنظمة الحديثة للكشف عن الأجسام اعتمادًا كبيرًا على التعلّم العميق (DL)، وخاصةً الشبكات العصبية التلافيفية (CNNs). يتم تدريب هذه الشبكات على مجموعات كبيرة من البيانات، مثل مجموعة بيانات COCO الشهيرة، لتعلّم السمات والأنماط المرتبطة بفئات الكائنات المختلفة. يعالج النموذج صورة مُدخَلة ويخرج قائمة من المربعات المحددة، كل منها مع تسمية فئة مرتبطة بها (على سبيل المثال، "سيارة" أو "شخص") ودرجة ثقة. غالبًا ما يُقاس أداء هذه النماذج باستخدام مقاييس مثل التقاطع على الاتحاد (IoU) ومتوسط متوسط الدقة (mAP).

اكتشاف الكائنات مقابل المهام ذات الصلة

من المهم التمييز بين اكتشاف الأجسام ومهام الرؤية الحاسوبية الأخرى ذات الصلة:

• تصنيف الصور: يعين تسمية واحدة لصورة كاملة (على سبيل المثال، "تحتوي هذه الصورة على قطة"). لا يوفر معلومات عن موقع الكائن (الكائنات).
• تجزئة الصور: يصنف كل بكسل في الصورة. يعيّن التجزئة الدلالية تسمية فئة لكل بكسل (على سبيل المثال، يتم تصنيف جميع البكسلات التي تنتمي إلى السيارات على أنها "سيارة")، بينما يميّز تجزئة المثيل بين الحالات المختلفة من نفس الفئة (على سبيل المثال، تسمية "سيارة 1" و"سيارة 2"). يوفر التجزئة معلومات مكانية أكثر تفصيلاً من المربعات المحدِّدة للكائنات.

أنواع نماذج الكشف عن الكائنات

تنقسم نماذج اكتشاف الكائنات بشكل عام إلى فئتين:

• أجهزة الكشف على مرحلتين: تقترح هذه النماذج أولاً مناطق الاهتمام (RoIs) حيث يمكن أن توجد الكائنات ثم تصنف الكائنات داخل هذه المناطق. ومن الأمثلة على ذلك عائلة R-CNN(شبكة CNN القائمة على المنطقة). غالبًا ما تحقق دقة عالية ولكن يمكن أن تكون أبطأ.
• كاشفات المرحلة الواحدة: تقوم هذه النماذج بإجراء التعريب والتصنيف في مسار واحد مباشرةً على شبكة الصورة. ومن أمثلة ذلك Ultralytics YOLO مثل نماذج مثل YOLOv8 و YOLOv11. عادةً ما تكون أسرع، مما يجعلها مناسبة للاستدلال في الوقت الحقيقي. تعمل الأساليب الأحدث مثل الكاشفات الخالية من المراسي على تبسيط عملية الكشف بشكل أكبر. يمكنك استكشاف المقارنات بين نماذج YOLO المختلفة لفهم مفاضلاتها.

التطبيقات الواقعية

يعد اكتشاف الكائنات أمرًا بالغ الأهمية للعديد من التطبيقات في مختلف الصناعات:

• الأنظمة ذاتية القيادة: تمكين المركبات للذكاء الاصطناعي في السيارات ذاتية القيادة من اكتشاف المشاة والمركبات الأخرى وإشارات المرور والعوائق من أجل التنقل الآمن. تعتمد تقنية Waymo بشكل كبير على اكتشاف الأجسام المتطورة.
• المراقبة والأمن: مراقبة المناطق بحثاً عن أي دخول غير مصرح به، أو الكشف عن الأنشطة المشبوهة، أو تنفيذ أنظمة الإنذار الأمني الآلي.
• تحليلات البيع بالتجزئة: تتبُّع المنتجات على الأرفف لإدارة المخزون بالاعتماد على الذكاء الاصطناعي، وتحليل حركة مرور العملاء، وتحسين عمليات الدفع.
• الرعاية الصحية: المساعدة في تحليل الصور الطبية من خلال تحديد الأورام أو الآفات أو غيرها من التشوهات في صور الأشعة مثل الأشعة السينية أو التصوير بالرنين المغناطيسي. الأبحاث المنشورة في مجلات مثل Radiology: الذكاء الاصطناعي غالباً ما تتميز بمثل هذه التطبيقات.
• الزراعة: مراقبة صحة المحاصيل واكتشاف الآفات وأتمتة عمليات الحصاد باستخدام الذكاء الاصطناعي في حلول الزراعة.

الأدوات والتدريب

يتضمن تطوير نماذج الكشف عن الكائنات استخدام أدوات ومنصات متخصصة. أطر عمل مثل PyTorch و TensorFlow لبنات البناء. توفر مكتبات مثل OpenCV وظائف الرؤية الحاسوبية الأساسية. توفر Ultralytics أحدث ما توصلت إليه Ultralytics YOLO ومنصة Ultralytics HUB، مما يبسط عملية تدريب النماذج المخصصة وإدارة مجموعات البيانات ونشر الحلول بكفاءة. يتطلب التدريب الفعال للنماذج في كثير من الأحيان ضبطاً دقيقاً للمعايير الفائقة واستراتيجيات زيادة البيانات.