مسرد المصطلحات

كاشفات الأجسام ذات المرحلة الواحدة

اكتشف سرعة وفعالية أجهزة الكشف عن الأجسام ذات المرحلة الواحدة مثل YOLO ، وهي مثالية للتطبيقات في الوقت الحقيقي مثل الروبوتات والمراقبة.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

في مجال الرؤية الحاسوبية، لا سيما في مجال اكتشاف الأجسام، غالبًا ما تكون السرعة والكفاءة أمرًا حاسمًا مثل الدقة. صُممت أجهزة الكشف عن الأجسام ذات المرحلة الواحدة مع وضع هذه الأولويات في الاعتبار، حيث تقدم نهجًا مبسطًا لتحديد الأجسام وتحديد موقعها داخل الصور أو مقاطع الفيديو. على عكس نظيراتها ذات المرحلتين، تقوم أجهزة الكشف ذات المرحلة الواحدة بتحديد موقع الكائن وتصنيفه في تمريرة أمامية واحدة للشبكة، مما يجعلها أسرع بكثير وأكثر ملاءمة للتطبيقات في الوقت الفعلي.

المبادئ الأساسية لكاشفات المرحلة الواحدة

تتميّز أجهزة الكشف عن الأجسام ذات المرحلة الواحدة بتصميمها المتكامل، مما يلغي خطوة اقتراح المنطقة الموجودة في الطرق ذات المرحلتين. يسمح هذا النهج المباشر لها بالتنبؤ بالمربعات المحددة واحتمالات الفئة مباشرةً من صورة الإدخال في مرحلة واحدة. وتركز هذه البنية على السرعة، مما يجعلها مثالية للتطبيقات التي تكون فيها المعالجة السريعة ضرورية. تشمل الأمثلة الشائعة للكواشف ذات المرحلة الواحدة عائلة النماذج Ultralytics YOLO ، المعروفة بسرعتها وكفاءتها، و SSD (كاشف اللقطة الواحدة).

تشمل الميزات الرئيسية لأجهزة الكشف ذات المرحلة الواحدة ما يلي:

  • السرعة: ميزتها الأساسية هي السرعة التي تتحقق من خلال إجراء الكشف في مسار واحد. وهذا يجعلها مناسبة للغاية للتطبيقات في الوقت الحقيقي.
  • الكفاءة: وهي بشكل عام أكثر كفاءة من الناحية الحسابية مقارنةً بأجهزة الكشف ذات المرحلتين، حيث تتطلب طاقة معالجة أقل.
  • التدريب من النهاية إلى النهاية: يتم تدريب أجهزة الكشف ذات المرحلة الواحدة من البداية إلى النهاية، مما يبسّط عملية التدريب وعملية التحسين.
  • التنبؤ المباشر: فهي تتنبأ مباشرةً بالمربعات المحدودة واحتمالات الفئة دون الحاجة إلى خطوة اقتراح منطقة منفصلة، مما يبسط عملية الكشف.

الاختلافات عن أجهزة الكشف ذات المرحلتين

يكمن الاختلاف الأساسي بين أجهزة الكشف عن الأجسام ذات المرحلة الواحدة وأجهزة الكشف عن الأجسام ذات المرحلتين في نهجها في اكتشاف الأجسام. تقوم أجهزة الكشف على مرحلتين، مثل شبكة R-CNN، أولاً بإنشاء مقترحات المنطقة (المناطق المحتملة التي قد توجد فيها الأجسام) ثم تصنيف هذه المقترحات وتنقيحها في مرحلة ثانية. تؤدي هذه العملية ذات المرحلتين بشكل عام إلى دقة أعلى ولكن على حساب السرعة. في المقابل، تضحي أجهزة الكشف ذات المرحلة الواحدة ببعض الدقة المحتملة لتحقيق مكاسب كبيرة في السرعة من خلال إجراء كل من التوطين والتصنيف في وقت واحد. للحصول على فهم أعمق لمقاييس الدقة في اكتشاف الأجسام، استكشف الموارد المتعلقة بمتوسط الدقة المتوسط (mAP)، وهو مؤشر أداء رئيسي.

التطبيقات الواقعية

إن سرعة وكفاءة أجهزة الكشف عن الأجسام ذات المرحلة الواحدة تجعلها لا تقدر بثمن في العديد من التطبيقات الواقعية:

  • القيادة الذاتية: في السيارات ذاتية القيادة، يعد اكتشاف الأجسام في الوقت الفعلي أمراً بالغ الأهمية للملاحة والسلامة. تتيح أجهزة الكشف ذات المرحلة الواحدة المعالجة السريعة لبيانات المستشعرات لاكتشاف المشاة والمركبات وإشارات المرور على الفور. تعرّف على المزيد حول الذكاء الاصطناعي في السيارات ذاتية القيادة.
  • المراقبة في الوقت الحقيقي: بالنسبة لأنظمة الأمن، تسهّل أجهزة الكشف ذات المرحلة الواحدة التحليل الفوري لموجزات الفيديو لتحديد التهديدات أو الحالات الشاذة في الوقت الفعلي، مما يتيح أوقات استجابة أسرع.
  • الروبوتات: تعتمد الروبوتات في مجال التصنيع والخدمات اللوجستية على الكشف السريع عن الأجسام في مهام مثل عمليات الالتقاط والوضع والملاحة ومراقبة الجودة. استكشف المجال الأوسع للروبوتات في الذكاء الاصطناعي.
  • إدارة حركة المرور: تستخدم المدن الذكية أجهزة الكشف ذات المرحلة الواحدة لتحسين تدفق حركة المرور من خلال مراقبة عدد المركبات والكشف عن المخالفات المرورية وإدارة الازدحام في الوقت الفعلي.

الأدوات وأطر العمل

يتم دعم تطوير ونشر كاشفات الكائنات ذات المرحلة الواحدة من خلال أدوات وأطر عمل مختلفة، بما في ذلك:

  • Ultralytics YOLO: سلسلة Ultralytics YOLO سلسلة، بما في ذلك YOLOv8 و YOLO11، هي خيارات شائعة لسرعتها وسهولة استخدامها. Ultralytics توفر HUB منصة لتدريب ونشر نماذج YOLO بكفاءة.
  • TensorFlow واجهة برمجة تطبيقات الكشف عن الكائنات: إطار عمل مفتوح المصدر في TensorFlow يتضمن تطبيقات لنماذج مختلفة للكشف عن الأجسام، بما في ذلك كاشفات المرحلة الواحدة مثل SSD. استكشف TensorFlow لمزيد من المعلومات.
  • PyTorch: إطار عمل مرن للتعلم العميق يسمح للباحثين والمطورين ببناء وتدريب كاشفات الأجسام المخصصة ذات المرحلة الواحدة. تعرف على المزيد حول PyTorch.

من خلال فهم مبادئ وتطبيقات كاشفات الأجسام ذات المرحلة الواحدة، يمكن للمستخدمين الاستفادة من سرعتها وكفاءتها لمعالجة مجموعة واسعة من تحديات الرؤية الحاسوبية في الوقت الحقيقي.

قراءة الكل