ابدأ

YOLOv4: اكتشاف الأجسام بسرعة ودقة

YOLOv4 كاشف للأجسام في الوقت الفعلي، أصدره عام 2020 أليكسي بوتشكوفسكي وتشين ياو وانغ وهونغ يوان مارك لياو في مستودع AlexeyAB/darknet. وقد صُمم لتحقيق توازن مثالي بين السرعة والدقة.

مخطط بنية YOLOv4 مخطط بنية YOLOv4. يوضح المخطط مكونات الشبكة الأساسية والعنق والرأس في YOLOv4، وكيفية اتصال طبقاتها.

مقدمة#

يرمز YOLOv4 إلى الإصدار الرابع من «أنت لا ترى سوى مرة واحدة». وهو نموذج آني لـالكشف عن الأجسام، طُوّر لمعالجة قيود إصدارات YOLO السابقة مثل YOLOv3 وغيرها من نماذج الكشف عن الأجسام. لم تكن معظم الكواشف السابقة القائمة على الشبكات العصبية الالتفافية (CNN) عملية إلا لأنظمة التوصية؛ أما الدقة الآنية التي يحققها YOLOv4 فتناسب أيضًا إدارة العمليات المستقلة وتقليل التدخل البشري. يعمل النموذج في الوقت الفعلي على وحدة معالجة رسومات (GPU) تقليدية، ولا يحتاج في التدريب إلا إلى وحدة GPU واحدة، ما يجعل استخدامه على نطاق واسع ميسور التكلفة.

البنية#

يجمع YOLOv4 بين عدة تقنيات لتحسين الأداء. تشمل هذه التقنيات الاتصالات المتبقية الموزونة (WRC)، والاتصالات الجزئية عبر المراحل (CSP)، وتطبيع الدفعات المصغّر المتقاطع (CmBN)، والتدريب العدائي الذاتي (SAT)، ودالة تفعيل Mish، وتقنية Mosaic لـزيادة البيانات، والتنظيم باستخدام DropBlock، وخسارة CIoU. تحسّن هذه التقنيات مجتمعةً الدقة مع الحفاظ على سرعة الاستدلال.

يتألف كاشف الأجسام النموذجي من عدة أجزاء، تشمل الإدخال والشبكة الأساسية والعنق والرأس. تُدرَّب الشبكة الأساسية مسبقًا على ImageNet وتستخرج السمات من صورة الإدخال. تشمل الشبكات الأساسية الشائعة للكواشف VGG وResNet وResNeXt وDenseNet؛ ويستخدم YOLOv4 بنية CSPDarknet53. ويُستخدم عنق الكاشف لجمع خرائط السمات من مراحل مختلفة، ويتضمن عادةً عدة مسارات تصاعدية وأخرى تنازلية. ويستخدم الرأس هذه السمات للتنبؤ بفئات الأجسام ومربعاتها المحيطة.

حزمة المزايا المجانية#

يستخدم YOLOv4 أيضًا أساليب تُعرف باسم «حزمة المزايا المجانية»، وهي تقنيات تحسّن دقة النموذج أثناء التدريب دون زيادة تكلفة الاستدلال. وتُعد زيادة البيانات من تقنيات حزمة المزايا المجانية الشائعة في الكشف عن الأجسام؛ إذ تزيد تنوع صور الإدخال لتحسين متانة النموذج. تشمل أمثلة زيادة البيانات التشويهات الضوئية (تعديل سطوع الصورة وتباينها ودرجة لونها وتشبعها وضوضائها) والتشويهات الهندسية (إضافة التحجيم والقص والقلب والتدوير العشوائي). تساعد هذه التقنيات النموذج على التعميم بصورة أفضل على أنواع مختلفة من الصور.

الميزات والأداء#

صُمم YOLOv4 لتحقيق سرعة ودقة مثاليتين في الكشف عن الأجسام. تتضمن بنيته CSPDarknet53 بوصفها الشبكة الأساسية، وPANet بوصفها العنق، وYOLOv3 بوصفه رأس الكشف. يتيح هذا التصميم لـYOLOv4 العمل بسرعة كافية للتطبيقات الآنية، وقد حقق عند إصداره دقة متقدمة على معايير الكشف عن الأجسام مثل COCO.

عند مقارنته بنماذج أخرى من عائلة YOLO، مثل YOLOv5 وYOLOv7، يظل YOLOv4 نقطة مرجعية للتوازن بين السرعة والدقة. توفر النماذج الأحدث دقة أعلى ونشرًا أبسط، لكن ابتكارات YOLOv4 المعمارية تظل مهمة للتطبيقات التي تتطلب أداءً آنيًا.

أمثلة الاستخدام#

YOLOv4 نموذج قائم على Darknet، وهو غير مدعوم أصلًا في حزمة Python من Ultralytics: فلا توجد أوزان مدرّبة مسبقًا باسم yolov4.pt منشورة على ultralytics/assets، ولا توجد ملفات YAML باسم ultralytics/cfg/models/v4/. أُبقيت هذه الصفحة مرجعًا معماريًا. ينبغي للمستخدمين الراغبين في تشغيل YOLOv4 الرجوع مباشرةً إلى مستودع YOLOv4 على GitHub للحصول على تعليمات التثبيت والاستخدام.

فيما يلي لمحة موجزة عن الخطوات المعتادة لاستخدام YOLOv4:

  1. تفضل بزيارة مستودع YOLOv4 على GitHub: https://github.com/AlexeyAB/darknet.

  2. اتبع التعليمات الواردة في ملف README للتثبيت. ويشمل ذلك عادةً استنساخ المستودع وتثبيت التبعيات اللازمة وإعداد متغيرات البيئة المطلوبة.

  3. بعد اكتمال التثبيت، يمكنك تدريب النموذج واستخدامه وفقًا لتعليمات الاستخدام الواردة في المستودع. ويتضمن ذلك عادةً إعداد مجموعة البيانات وضبط معلمات النموذج وتدريبه، ثم استخدام النموذج المدرّب لاكتشاف الأجسام.

تعتمد الخطوات الدقيقة على حالة الاستخدام وحالة مستودع YOLOv4 الحالية، لذا اتبع التعليمات الواردة في مستودع YOLOv4 على GitHub.

للتدريب والاستدلال ضمن إطار عمل Ultralytics، استخدم YOLO26 أو YOLO11.

الخلاصة#

YOLOv4 نموذج فعّال للكشف عن الأجسام يوازن بين السرعة والدقة. وتتيح له خياراته المعمارية وتقنيات التدريب القائمة على حزمة المزايا المجانية أداءً جيدًا في مهام الكشف الآني عن الأجسام. يمكن لأي شخص تدريب YOLOv4 واستخدامه باستخدام GPU تقليدية، ما يجعله متاحًا وعمليًا لمجموعة واسعة من التطبيقات، بما فيها أنظمة المراقبة والمركبات ذاتية القيادة والأتمتة الصناعية.

يظل YOLOv4 خيارًا قويًا لمن يرغبون في تنفيذ الكشف عن الأجسام ضمن مشاريعهم، لا سيما عندما يكون الأداء الآني أولوية. ورغم أن Ultralytics تركز حاليًا على دعم إصدارات YOLO الأحدث مثل YOLO26 وYOLO11، فقد أثرت الابتكارات المعمارية التي قدمها YOLOv4 في تطوير النماذج اللاحقة.

الاستشهادات والشكر والتقدير#

نود أن نعرب عن تقديرنا لمؤلفي YOLOv4 لمساهماتهم المهمة في مجال اكتشاف الأجسام الآني:

الاستشهاد
@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection},
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

يمكن العثور على ورقة YOLOv4 الأصلية على arXiv. وقد أتاح المؤلفون عملهم للجمهور، كما يمكن الوصول إلى قاعدة الشيفرة على GitHub. ونقدّر جهودهم في تطوير هذا المجال وإتاحة عملهم للمجتمع الأوسع.

الأسئلة الشائعة#

  • YOLOv4، الذي يرمز اسمه إلى «أنت لا ترى سوى مرة واحدة، الإصدار الرابع»، نموذج آني للكشف عن الأجسام طوّره أليكسي بوتشكوفسكي وزملاؤه عام 2020. يوازن النموذج بين السرعة والدقة، ما يجعله مناسبًا للتطبيقات الآنية. تتضمن بنية YOLOv4 تقنيات مثل الاتصالات المتبقية الموزونة (WRC)، والاتصالات الجزئية عبر المراحل (CSP)، والتدريب العدائي الذاتي (SAT)، وقد حققت هذه التقنيات مجتمعةً نتائج متقدمة عند إصداره. يعمل YOLOv4 بكفاءة على GPU تقليدية واحدة؛ وللتدريب والنشر الأصليين باستخدام حزمة Ultralytics، استخدم YOLO26.

  • تتضمن بنية YOLOv4 عدة مكونات أساسية: الشبكة الأساسية والعنق والرأس. تُدرَّب الشبكة الأساسية CSPDarknet53 مسبقًا على ImageNet وتستخرج السمات. ويجمع العنق، باستخدام PANet، خرائط السمات من مراحل مختلفة. وأخيرًا، يتنبأ الرأس، الذي يتبع بنية YOLOv3، بفئات الأجسام ومربعاتها المحيطة. يستخدم YOLOv4 أيضًا تقنيات «حزمة المزايا المجانية»، مثل زيادة بيانات Mosaic وتنظيم DropBlock، لتحسين سرعته ودقته أكثر.

  • يشير مصطلح «حزمة المزايا المجانية» إلى الأساليب التي تحسّن دقة تدريب YOLOv4 دون زيادة تكلفة الاستدلال. وتشمل هذه التقنيات أشكالًا مختلفة من زيادة البيانات، مثل التشوهات الضوئية (ضبط السطوع والتباين وما إلى ذلك) والتشوهات الهندسية (تغيير المقياس والاقتصاص والقلب والتدوير). وتساعد هذه الزيادات YOLOv4 على التعميم بصورة أفضل على أنواع الصور المختلفة من خلال زيادة تنوع الصور المدخلة، مما يحسن متانته ودقته دون المساس بأدائه الآني.

  • صُمم YOLOv4 لتحسين السرعة والدقة في الكشف الآني عن الأجسام. ويعمل على GPU تقليدية واحدة في التدريب والاستدلال، ما يقلل تكلفة الأجهزة ويجعله عمليًا لتطبيقات تتراوح بين أنظمة التوصية وإدارة العمليات المستقلة.

  • للبدء باستخدام YOLOv4، تفضل بزيارة مستودع YOLOv4 الرسمي على GitHub. اتبع تعليمات التثبيت الواردة في ملف README، والتي تتضمن عادةً استنساخ المستودع وتثبيت التبعيات وإعداد متغيرات البيئة. بعد التثبيت، يمكنك تدريب النموذج بإعداد مجموعة البيانات وضبط معلمات النموذج واتباع تعليمات الاستخدام المقدمة. وبما أن Ultralytics لا تدعم YOLOv4 حاليًا، يُوصى بالرجوع مباشرةً إلى YOLOv4 على GitHub للحصول على أحدث الإرشادات وأكثرها تفصيلًا.

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.