المراجعة والاختبار النهائي

عشر وحدات للانتقال من صورة كاميرا التقاطع إلى نظام يعدّ السيّارات والمُشاة في الزمن الحقيقي. هذه هي الدورة مُكثَّفة، ثم الخيوط التي تعبرها.

الدورة في لمحة

الوحدة	الجوهر الواجب حفظه
1. عائلات المهامّ	تصنيف يُصنّف الصورة كلّها؛ كشف يُنتج صناديق؛ تقطيع دلالي/نُسَخ/شامل؛ COCO وYOLO وPascal VOC؛ الأقنعة أغلى بأمر مقدار من الصناديق
2. R-CNN بمرحلتين	Selective Search ثم RPN؛ RoI Align بدل RoI Pooling؛ دقّة أعلى لكن 15-20 FPS فقط
3. YOLO وSSD	تنبّؤات كثيفة مباشرة؛ YOLOv8 بلا مراسي؛ SSD متعدّد المقاييس؛ Focal Loss يُصحّح عدم توازن الخلفية
4. المراسي وNMS	المراسي قوالب مسبقة، الحديث بلا مراسي؛ NMS لكلّ صنف على حدة؛ عتبتان: ثقة وIoU
5. IoU وmAP	IoU يقيس التداخل؛ AP مساحة تحت PR-Curve؛ mAP@0.5 متسامح، mAP@0.5:0.95 صارم على الموضع
6. U-Net وDeepLab	مُشفِّر-فاكّ شفرة مع وصلات تخطّي؛ الالتفافات الموسّعة في DeepLab؛ Dice يحلّ عدم توازن البكسلات
7. Mask R-CNN	رأس قناع فوق Faster R-CNN؛ نُسَخ لا دلالي؛ SAM لتوسيم مسرَّع
8. تتبّع الفيديو	مرشّح كالمان + مطابقة هنغارية؛ SORT بسيط، ByteTrack يُنقذ الكشوف الضعيفة؛ عدّ بخطّ لا بمعرّفات
9. توسيم وتكثير	IoU بين المُوسِّمين > 0.85؛ Albumentations مع bboxes؛ الصور المتقاربة زمنيًا أسوأ تسرّب
10. مشروع الكشف	ضبط دقيق YOLOv8s؛ تحليل الأخطاء بحسب الحجم والصنف؛ تصدير ONNX/TensorRT حسب النشر

الخيوط التي تعبر الدورة

كلّ قرار معمارية يعكس مفاضلة سرعة-دقّة، وهذه المفاضلة تُقاس بأرقام لا بحدس. Faster R-CNN يُقدّم دقّة أفضل بكلفة 5× في السرعة مقارنة بـYOLOv8. Mask R-CNN أفضل من YOLOv8-seg في دقّة القناع بكلفة 4×. اختيار النموذج يبدأ من الجهاز المستهدف وسرعة الإطارات المطلوبة، لا من قوائم الأفضل في أوراق البحث. أرقام المختبر على GPU عالية الأداء غالبًا بعيدة عن واقع النشر بأمر مقدار.

mAP وحده يخدع؛ فصّل دائمًا. رقم mAP الإجمالي يُخفي فشلًا محدّدًا على أصناف نادرة أو أحجام صغيرة. النموذج بـmAP@0.5 = 0.80 قد يكون كارثيًا على المُشاة (0.35) وممتازًا على السيّارة (0.95). التقرير المفيد يفصّل حسب الصنف، حسب الحجم (small/medium/large في COCO)، وحسب حجم الجسم بالبكسلات. مصفوفة الالتباس تكشف الخلطات المحدّدة (درّاجة/دراجة نارية، شاحنة/حافلة) التي يحلّها تعديل دليل التوسيم أكثر من تعقيد النموذج.

تسرّب البيانات في الرؤية أشيع وأخفى ممّا يُظنّ. التقسيم العشوائي لصور كاميرا ثابتة كارثة صامتة: صور متتالية زمنيًا تنتهي في مجموعات مختلفة، والفرق بينها هو مركبة تحرّكت بضعة بكسلات. mAP يقفز، النموذج يفشل في الإنتاج. التقسيم يجب أن يحترم الوحدات الطبيعية: بالوقت، بالفيديو، أو بالمشهد. حين يحصل mAP على قفزة مذهلة، الاختبار الأوّل هو إعادة التقييم على فيديو جديد كليًّا.

البيانات تسبق المعمارية، دائمًا. أمام نموذج ضعيف، الإغراء الأوّل هو تجريب معمارية أكبر أو أحدث. الفعل الصحيح غالبًا هو العودة إلى البيانات: مراجعة دليل التوسيم، جمع أمثلة إضافية للحالات الحديّة، تحسين اتّفاق المُوسِّمين. مشروع تقاطع الطرق النموذجي يكسب من الانتقال من yolov8s إلى yolov8m قرابة 0.03 mAP؛ من مراجعة 500 توسيم مشكوك فيها يكسب 0.08.

التصدير يُختبر قبل النشر. النموذج يتصرّف أحيانًا بشكل مختلف بعد التصدير: أخطاء تدوير في FP16، اختلافات في NMS بين إطار التدريب وإطار الاستدلال، مسارات ألوان مقلوبة (BGR/RGB). قاعدة الوحدة الأخيرة: قِس mAP على مجموعة الاختبار بعد التصدير قبل نشر الملفّ. اختلاف >0.01 مؤشّر على مشكلة تُعالج قبل الإنتاج.

الاختبار النهائي

يتضمّن الاختبار 40 سؤالًا تشمل الوحدات العشر كلّها: التمييز بين المهامّ واختيار الصيغة الأنسب، ميكانيك عائلة R-CNN وRoI Align، خصائص YOLO وSSD والفارق مع الكواشف بمرحلتين، ضبط عتبات الثقة وNMS، حساب IoU يدويًا، تفسير mAP@0.5 مقابل mAP@0.5:0.95، اختيار Dice مقابل CE في التقطيع الدلالي، الفرق بين Mask R-CNN والتقطيع الشامل، عمل مرشّح كالمان وByteTrack، كشف تسرّب البيانات في الصور المتقاربة.

وتعرض عدّة أسئلة حالات للتشخيص: تقرير mAP يُظهر فشلًا على صنف واحد فقط، عدّ سيّارات يُضاعف نفسه بسبب تبديل معرّفات، تدرّب نموذج ينهار بعد التصدير إلى TensorRT، مجموعة اختبار تُبلّغ عن أداء مذهل يختفي في الإنتاج. فالمُقيَّم هو الحُكم في مواقف واقعية، لا استظهار تعريفات.

وفي حال النجاح تُمنَح شهادة الإتمام فورًا؛ ورقمها قابل للتحقّق من أيّ طرف على المنصّة.

قبل أن تبدأ

استعِد الجدول أعلاه، واسأل نفسك عن كلّ سطر: «كيف سأرى أنّني مخطئ هنا؟». إن عرفت أن تقول لماذا لا يكفي التقطيع الدلالي لعدّ السيّارات المتلاصقة، ولماذا mAP@0.5 وحده مضلّل، ولماذا التقسيم العشوائي على فيديو يُنتج أداءً وهميًّا، ولماذا التصدير لا يُنتج دائمًا النموذج نفسه، فأنت مستعدّ. حظًّا موفّقًا!

الامتحان النهائي

هل أنت مستعدّ لاعتماد هذه الدورة؟

40 سؤالًا تُختار عشوائيًّا من بنك أسئلة الدورة · حدّ النجاح 70 % · شهادة PDF قابلة للتحقّق تُصدَر فورًا عند النجاح.

ابدأ الامتحان

يلزم تسجيل الدخول إلى حسابك في InSkillML مع اشتراك نشط. يمكنك أيضًا بدء الامتحان من دوراتي.