اكتشف كيف يوحد التجزئة البانوبتيكية بين التجزئة الدلالية وتجزئة المثيل لفهم المشهد بدقة على مستوى البكسل في تطبيقات الذكاء الاصطناعي.
التجزئة الشاملة هي تقنية رؤية حاسوبية متقدمة مصممة لتحقيق فهم كامل ومفصل للمشهد المرئي على مستوى البكسل. وهي تجمع بشكل فريد بين نقاط القوة في طريقتين رئيسيتين أخريين للتجزئة: التجزئة الدلالية وتجزئة المثيل. والهدف الأساسي من التجزئة البانوبتيكية هو تعيين كل من تسمية فئة (مثل "سيارة" أو "شخص" أو "طريق" أو "سماء") ومعرف مثيل (للتمييز بين الأجسام المختلفة من نفس الفئة) لكل بكسل في الصورة، مما يوفر تفسيرًا ثريًا وموحدًا للمشهد.
لفهم التجزئة الشاملة، من المفيد مقارنتها بالمهام ذات الصلة. يحدد اكتشاف الكائنات الكائن ات باستخدام المربعات المحدودة ولكنه يفتقر إلى التفاصيل على مستوى البكسل. يصنّف التجزئة الدلالية كل بكسل إلى فئة (على سبيل المثال، يتم تصنيف جميع السيارات إلى "سيارة")، لكنه لا يميز بين الأجسام الفردية ضمن نفس الفئة. يعالج تجزئة المثيل هذا الأمر من خلال اكتشاف وتجزئة كل مثيل كائن مميز (على سبيل المثال، سيارة 1، سيارة 2)، ولكنه يركز عادةً على الكائنات التي يمكن عدها ("الأشياء") وقد يتجاهل مناطق الخلفية ("أشياء" مثل العشب أو السماء أو الطريق).
يعمل التقسيم الشامل على سد هذه الفجوة من خلال توفير فهم أكثر شمولية للمشهد. فهو يعيّن تصنيفًا دلاليًا لكل بكسل، سواءً كان ينتمي إلى فئة "الأشياء" (الأشياء التي يمكن عدها مثل المركبات والمشاة والحيوانات) أو فئة "الأشياء" (المناطق غير المتبلورة مثل الطرق والجدران والسماء). والأهم من ذلك، بالنسبة للبكسلات التي تنتمي إلى فئات "الأشياء"، فإنه يقوم أيضًا بتعيين معرّف مثيل فريد، يفصل كل كائن عن غيره من نفس النوع. يضمن هذا التصنيف الشامل عدم ترك أي بكسل دون تصنيف، مما يوفر تحليلًا كاملاً للصورة.
تعتمد نماذج التجزئة الشاملة عادةً على بنيات التعلم العميق. وغالباً ما تستخدم هذه النماذج مستخرج ميزات مشتركة (شبكة أساسية) متبوعة برؤوس أو فروع متخصصة تتنبأ بالتسميات الدلالية لجميع وحدات البكسل وأقنعة المثيل لفئات "الأشياء". يتم بعد ذلك دمج مخرجات هذه الفروع أو دمجها بذكاء لإنتاج خريطة التجزئة الشاملة النهائية، حيث يكون لكل بكسل تسمية دلالية ومعرف مثيل إن أمكن.
يُعد الفهم الشامل للمشهد الذي يوفره التجزئة البانوبتيكية ذا قيمة كبيرة في مختلف المجالات:
في حين أن التجزئة الشاملة مهمة معقدة، فإن التطورات في نماذج مثل Ultralytics YOLO تتخطى حدود أداء التجزئة. نماذج مثل Ultralytics YOLOv8 قدرات قوية لمهام تجزئة الصور ذات الصلة، مما يشكل أساسًا لبناء أنظمة إدراك أكثر تعقيدًا. يمكن للمستخدمين الاستفادة من من منصات مثل Ultralytics HUB لتبسيط سير العمل، بما في ذلك نماذج التدريب على مجموعات البيانات المخصصة واستكشاف خيارات نشر النماذج المختلفة.