اكتشف كيف تعمل تقنية تجزئة المثيل على تحسين اكتشاف الكائنات بدقة على مستوى البكسل، مما يتيح أقنعة الكائنات التفصيلية لتطبيقات الذكاء الاصطناعي.
تجزئة المثيل هي تقنية متطورة للرؤية الحاسوبية (CV) تحدد الكائنات داخل الصورة وترسم الحدود الدقيقة لكل مثيل على مستوى البكسل. على عكس الطرق التي تضع مربعات حول الكائنات فقط، يوفر تجزئة المثيل فهمًا أكثر تفصيلاً للمشهد من خلال إنشاء قناع فريد لكل كائن تم اكتشافه، حتى لو كان ينتمي إلى نفس الفئة. تُعد هذه القدرة ضرورية لتطبيقات الذكاء الاصطناعي المتقدمة، حيث تُعد معرفة الشكل والحجم والمدى المكاني للأجسام المميزة أمرًا ضروريًا، خاصةً عندما تتداخل الأجسام.
تقوم نماذج تجزئة المثيل بتحليل الصورة لتحديد موقع الكائنات المحتملة أولاً، ثم التنبؤ، لكل كائن تم اكتشافه، بالبكسلات التي تنتمي إلى ذلك المثيل المحدد. غالبًا ما تستخدم الأساليب التقليدية، مثل بنية شبكة R-CNN ذات القناع المؤثرة، عملية من مرحلتين: أولاً، تقوم بإجراء اكتشاف الكائنات لإنشاء مقترحات المربع المحدود، وثانيًا، تقوم بإنشاء قناع تجزئة داخل كل مربع مقترح. وعلى الرغم من فعالية هذه الأساليب، إلا أنها قد تكون صعبة من الناحية الحسابية.
غالبًا ما تستخدم النُهج الأكثر حداثة، بما في ذلك نماذج مثل Ultralytics YOLO، خطوط أنابيب أحادية المرحلة. تتنبأ هذه النماذج في نفس الوقت بالمربعات الحدية وتسميات الفئات وأقنعة النماذج في مسار واحد من خلال الشبكة العصبية (NN)، مما يؤدي إلى تحسينات كبيرة في السرعة، مما يجعلها مناسبة للاستدلال في الوقت الفعلي. ويتطلب تدريب هذه النماذج مجموعات بيانات كبيرة مع شروح على مستوى البكسل، مثل مجموعة بيانات COCO المستخدمة على نطاق واسع، وتحديداً شروح التجزئة الخاصة بها. تتضمن العملية عادةً تقنيات التعلم العميق (DL) ، والاستفادة من الشبكات العصبية التلافيفية (CNNs) لتعلم السمات البصرية المعقدة.
من المهم التفريق بين تجزئة المثيل ومهام تجزئة الصور الأخرى:
يركز تجزئة المثيل على وجه التحديد على اكتشاف مثيلات الكائنات الفردية وتحديدها، مما يوفر دقة عالية فيما يتعلق بحدود الكائنات والفصل بينها.
إن القدرة على تحديد وعزل الكائنات الفردية بدقة تجعل من تجزئة النماذج أمرًا لا يقدر بثمن في العديد من المجالات:
توفر شركة Ultralytics أحدث النماذج القادرة على أداء تجزئة النماذج بكفاءة. تم تصميم نماذج مثل YOLOv8 و YOLO11 لتقديم أداء عالٍ في مختلف مهام الرؤية الحاسوبية، بما في ذلك تجزئة النماذج(انظر تفاصيل مهمة التجزئة). يمكن للمستخدمين الاستفادة من النماذج المدربة مسبقًا أو إجراء ضبط دقيق على مجموعات البيانات المخصصة باستخدام أدوات مثل منصة Ultralytics HUB، التي تبسط سير عمل التعلم الآلي (ML) من إدارة البيانات إلى نشر النموذج. وللتنفيذ العملي، تتوفر موارد مثل البرامج التعليمية حول التجزئة باستخدام نماذج Ultralytics YOLOv8 المدربة مسبقًا أو أدلة حول عزل كائنات التجزئة. يمكنك أيضًا تعلم كيفية استخدام Ultralytics YOLO11 للتجزئة على سبيل المثال. تُستخدم أطر العمل الشائعة مثل PyTorch و TensorFlow بشكل شائع لتطوير هذه النماذج ونشرها.
