YOLOv4: اكتشاف الأجسام بسرعة ودقة#

مرحبًا بك في صفحة وثائق Ultralytics الخاصة بـ YOLOv4، كاشف الأجسام الآني المتطور الذي أطلقه Alexey Bochkovskiy عام 2020 على https://github.com/AlexeyAB/darknet. صُمم YOLOv4 لتوفير التوازن الأمثل بين السرعة والدقة، ما يجعله خيارًا ممتازًا للعديد من التطبيقات.

مخطط بنية YOLOv4. يعرض التصميم الشبكي المفصل لـ YOLOv4، بما في ذلك مكونات العمود الفقري والعنق والرأس، وطبقاتها المترابطة لتحقيق اكتشاف أمثل للأجسام في الوقت الفعلي.

مقدمة#

يرمز YOLOv4 إلى «ترى مرة واحدة فقط، الإصدار 4». وهو نموذج لاكتشاف الأجسام في الوقت الفعلي، طُوّر لمعالجة أوجه القصور في إصدارات YOLO السابقة مثل YOLOv3 ونماذج اكتشاف الأجسام الأخرى. وعلى خلاف كواشف الأجسام الأخرى القائمة على الشبكات العصبية الالتفافية (CNN)، لا يقتصر استخدام YOLOv4 على أنظمة التوصية، بل يشمل أيضًا إدارة العمليات المستقلة وتقليل التدخل البشري. ويتيح تشغيله على وحدات معالجة الرسومات التقليدية (GPUs) استخدامه على نطاق واسع بتكلفة ميسورة، كما صُمم للعمل في الوقت الفعلي على وحدة معالجة رسومات تقليدية واحدة، مع الاكتفاء بوحدة واحدة من هذا النوع للتدريب.

البنية#

يستخدم YOLOv4 عدة ميزات مبتكرة تعمل معًا لتحسين أدائه. وتشمل هذه الميزات الوصلات المتبقية الموزونة (WRC)، والوصلات الجزئية العابرة للمراحل (CSP)، وتطبيع الدفعات المصغرة المتقاطعة (CmBN)، والتدريب الذاتي الخصومي (SAT)، وتنشيط Mish، وزيادة البيانات باستخدام Mosaic، والتنظيم باستخدام DropBlock، وخسارة CIoU. وتُدمج هذه الميزات لتحقيق نتائج تضاهي أحدث ما توصلت إليه التقنية.

يتكون كاشف الأجسام النموذجي من عدة أجزاء، منها المدخل والعمود الفقري والعنق والرأس. ويُدرّب العمود الفقري لـ YOLOv4 مسبقًا على ImageNet، ويُستخدم للتنبؤ بفئات الأجسام ومربعات الإحاطة. وقد يكون العمود الفقري أحد نماذج عديدة، منها VGG أو ResNet أو ResNeXt أو DenseNet. ويُستخدم جزء العنق في الكاشف لجمع خرائط السمات من مراحل مختلفة، ويتضمن عادةً عدة مسارات تصاعدية وعدة مسارات تنازلية. أما جزء الرأس فيُستخدم لإجراء عمليات الكشف عن الأجسام وتصنيفها نهائيًا.

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 تقنية شائعة ضمن حزمة المزايا المجانية، تُستخدم في اكتشاف الأجسام لزيادة تنوع الصور المدخلة وتحسين متانة النموذج. ومن أمثلة زيادة البيانات التشوهات الضوئية (ضبط سطوع الصورة وتباينها وتدرج ألوانها وتشبعها وضوضائها) والتشوهات الهندسية (إضافة تغيير عشوائي للمقياس والاقتصاص والقلب والتدوير). وتساعد هذه التقنيات النموذج على التعميم بصورة أفضل على أنواع الصور المختلفة.

الميزات والأداء#

صُمم YOLOv4 لتحقيق السرعة والدقة المثلى في اكتشاف الأجسام. وتتضمن بنيته CSPDarknet53 بوصفه العمود الفقري، وPANet بوصفه العنق، وYOLOv3 بوصفه رأس الاكتشاف. ويتيح هذا التصميم لـ YOLOv4 اكتشاف الأجسام بسرعة لافتة، ما يجعله مناسبًا للتطبيقات الآنية. كما يتفوق YOLOv4 في الدقة، محققًا نتائج متطورة في معايير اكتشاف الأجسام مثل COCO.

عند مقارنته بنماذج أخرى من عائلة YOLO، مثل YOLOv5 وYOLOv7، يحافظ YOLOv4 على مكانة قوية في تحقيق التوازن بين السرعة والدقة. ورغم أن النماذج الأحدث قد تقدم مزايا معينة، لا تزال ابتكارات YOLOv4 المعمارية تجعله مناسبًا للعديد من التطبيقات 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.

يُرجى ملاحظة أن الخطوات المحددة قد تختلف باختلاف حالة الاستخدام وحالة مستودع YOLOv4 الراهنة. لذا يُوصى بشدة بالرجوع مباشرةً إلى التعليمات الواردة في مستودع YOLOv4 على GitHub.

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

الخلاصة#

YOLOv4 نموذج قوي وفعّال لاكتشاف الأجسام، يحقق توازنًا بين السرعة والدقة. ويتيح استخدامه لميزات فريدة وتقنيات حزمة المزايا المجانية أثناء التدريب أداءً ممتازًا في مهام اكتشاف الأجسام الآنية. ويمكن لأي شخص تدريب YOLOv4 واستخدامه على وحدة معالجة رسومات تقليدية، ما يجعله متاحًا وعمليًا لطيف واسع من التطبيقات، بما فيها أنظمة المراقبة والمركبات ذاتية القيادة والأتمتة الصناعية.

لمن يرغبون في تطبيق اكتشاف الأجسام ضمن مشاريعهم، يظل YOLOv4 خيارًا قويًا، لا سيما عندما يكون الأداء الآني أولوية. وبينما تركز Ultralytics حاليًا على دعم إصدارات YOLO الأحدث مثل YOLO11 وYOLO26، فقد أثرت الابتكارات المعمارية التي قدمها YOLOv4 في تطوير هذه النماذج اللاحقة.

الاستشهادات والشكر والتقدير#

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

@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#