زيادة سرعة اكتشاف الأجسام باستخدام نماذج المرحلة الواحدة مثل YOLO. مثالية لاحتياجات الوقت الحقيقي في الذكاء الاصطناعي، مما يقلل من حمل الجهاز دون التضحية بالدقة.
أجهزة الكشف عن الأجسام ذات المرحلة الواحدة هي فئة من خوارزميات التعلّم الآلي المستخدمة في مهام الكشف عن الأجسام. تعمل هذه الخوارزميات على تبسيط عملية الكشف في مسار واحد للشبكة العصبية، مما يتيح أوقات استدلال أسرع مقارنةً بأجهزة الكشف ذات المرحلتين. وهذا يجعلها مثالية للتطبيقات في الوقت الحقيقي حيث تكون السرعة ضرورية، مثل المركبات ذاتية القيادة والروبوتات وأنظمة المراقبة.
تجمع أجهزة الكشف عن الكائنات ذات المرحلة الواحدة بين تصنيف الصور وتحديد موقع الكائن في شبكة واحدة، دون مرحلة وسيطة. توفر هذه البنية توازناً بين الدقة والكفاءة، مما يجعلها مناسبة للسيناريوهات التي تتطلب اتخاذ قرارات سريعة. تشمل النماذج البارزة YOLO (أنت تنظر مرة واحدة فقط) و SSD (كاشف متعدد المربعات أحادي اللقطة).
YOLO: تم تطويره من قبل جوزيف ريدمون وعلي فرهادي، YOLO يعيد تعريف سرعة الكشف عن طريق التنبؤ بالمربعات المحدودة واحتمالات الفئة مباشرةً من الصور الكاملة في تقييم واحد. تعرف على المزيد حول Ultralytics YOLOv8الذي يجلب ابتكارات في الكشف عن الأجسام في الوقت الفعلي.
SSD: يقسّم هذا النموذج الصورة إلى شبكة ويقيّم عددًا صغيرًا من المربعات المحدودة الافتراضية لكل خلية شبكة، مما يوفر مفاضلة بين السرعة والدقة.
تقوم الكواشف ذات المرحلتين، مثل شبكة R-CNN الأسرع، أولاً بإنشاء مقترحات المناطق ثم تصنيفها. وفي حين أنها عادةً ما توفر دقة عالية، فإن هذه العملية المكونة من خطوتين تزيد من المتطلبات الحسابية وتؤخر أوقات الاستدلال. من ناحية أخرى، تقوم أجهزة الكشف ذات المرحلة الواحدة مثل YOLO بإلغاء مرحلة الاقتراح، مما يوفر نهجًا أكثر انسيابية مناسبًا للتطبيقات التي تكون فيها السرعة هي الأساس. اكتشف المزيد عن كاشفات الأجسام ذات المرحلتين لفهم الاختلافات الأساسية.
تتمتع أجهزة الكشف عن الأجسام أحادية المرحلة بمجموعة واسعة من التطبيقات في مختلف الصناعات:
وقد أدى تطوير تقنية GPU إلى تحسين أداء أجهزة الكشف ذات المرحلة الواحدة بشكل كبير، مما يسمح بمعالجة المهام المعقدة بسرعة. بالنسبة لأولئك الذين يتطلعون إلى نشر أو تحسين أداء النموذج، فإن فهم دورGPU في الذكاء الاصطناعي أمر ضروري.
تُعد أجهزة الكشف عن الأجسام ذات المرحلة الواحدة، لا سيما النماذج مثل Ultralytics YOLO ، بالغة الأهمية في الصناعات التي تتطلب تحليل الصور واتخاذ القرارات بسرعة عالية. لا تدعم بنيتها المبسطة تطبيقات الوقت الحقيقي فحسب، بل تقلل أيضًا من العبء الحسابي، مما يجعلها خيارًا جذابًا لمهام الذكاء الاصطناعي الحديثة. بالنسبة للمهتمين بدمج مثل هذه النماذج، فكّر في استكشاف Ultralytics HUB للحصول على نهج سلس بدون تعليمات برمجية لنشر التعلم الآلي.
