Cosmos يولّد فيديو تدريبيًا للطائرات المسيّرة: ارتفاع mAP@50–95 لكاشف الأجسام بنسبة 10,3%

اختبر فريق من جامعة ولاية أوهايو إمكانية استبدال جزء من رحلات الطائرات المسيّرة بفيديو مولَّد. استخدم الباحثون نموذج العالم (world model) المفتوح NVIDIA Cosmos-Predict1-7B Video2World، وزوّدوه بتسعة إطارات من لقطات حقيقية لحيوانات برية، فحصلوا على امتدادات للمشاهد بنحو 120 إطارًا لكل منها. وتفوّق الكاشف المدرَّب على إطارات اصطناعية مختارة فقط، على الفيديوهات الميدانية الحقيقية، على الكاشف المدرَّب على بيانات حقيقية: فقد ارتفع mAP@50–95 (متوسط الدقة عند عتبات صارمة لتطابق المربعات) من 0,845 إلى 0,932، أي بنسبة 10,3%.

كيف تتحول تسعة إطارات إلى عيّنة تدريب

مجموعة البيانات الأصلية هي MMLA: 37 فيديو منخفض الارتفاع صُوّرت بطائرات مسيّرة في كينيا وولاية أوهايو، وتضم 155 074 إطارًا موسومًا. وللتدريب اختار المؤلفون 20 618 إطارًا تحوي 85 967 مربعًا لحمر الوحش والزرافات والأونجر (الحمار الوحشي الآسيوي). في كل تشغيل لـ Cosmos، تلقّى النموذج تسعة إطارات متتالية من الجزء التدريبي مع وصف نصي قصير للمشهد. وتحدّد الإطارات الأولية زاوية الكاميرا والارتفاع والتضاريس والإضاءة، ولذلك لا يبتكر النموذج سوى تطور المشهد، لا مظهره. وهذا يزيل الجزء الأكبر من الفجوة بين المحاكاة والواقع، وهي فجوة تعالجها المحاكيات التقليدية بتعشية الأنسجة (randomization).

لم تُستخدم فيديوهات الاختبار إطلاقًا، لا في الإطارات الأولية ولا في الموجّهات (prompts) ولا في الانتقاء. والمتغيّر الوحيد هو بيانات التدريب: فالكاشف (YOLO11m على MMLA وYOLOv8m على VisDrone) والمعاملات الفائقة وعيّنة الاختبار ثابتة.

يخطئ النموذج بانتظام: تظهر رؤوس زائدة للحيوانات، وتندمج الأجسام أو تختفي، وتخالف الحركة قوانين الفيزياء. لذلك راجع خبير كل مقطع، ورفض أي مقطع فيه عيب، ثم وسم إطارات المقاطع المقبولة. وفي تجربة تجريبية على 40 مقطعًا، اجتاز المراجعة خمسة مقاطع فقط، ومن هنا جاء تقدير نسبة الرفض بـ 87,5%. وفي النهاية تجمّع 26 702 إطار اصطناعي تحوي 93 004 مربعات، فنمت العيّنة 2,3 مرة من حيث عدد الإطارات.

ماذا أظهرت القياسات

على MMLA، رفعت إضافة البيانات الاصطناعية إلى الحقيقية قيمة mAP@50–95 من 0,845 إلى 0,881 (+4,3%)، وكان النمو رتيبًا مع زيادة الحجم. أما mAP@50 فبقي قرابة 0,98: فالبيانات الاصطناعية لا تساعد على اكتشاف مزيد من الحيوانات، بل تحسّن حدود المربعات. وأعطى التدريب على البيانات الاصطناعية وحدها 0,932، متفوقًا على الأساس الحقيقي في جميع الفئات: حمار الوحش من 0,787 إلى 0,939، والأونجر من 0,854 إلى 0,950، والزرافة من 0,894 إلى 0,907. في المقابل، لا تتفوق قيم mAP@50 والدقة (precision) والاستدعاء (recall) لدى هذا النموذج على نظيرتها لدى النموذج المدرَّب على بيانات حقيقية.

ويقرّ المؤلفون بصراحة بأن التشغيلات المنفردة لا تفصل بين الأسباب. فالمجموعة الاصطناعية أكبر من الحقيقية بنسبة 29,5% من الإطارات. وعلى الأرجح تحوي الإطارات المولَّدة تمويهًا حركيًا وضجيج مستشعر أقل. كما وسمها خبير واحد في تمريرة واحدة، بينما وسم فريق كبير الوسوم الحقيقية. وتصبّ العوامل الثلاثة جميعها في مصلحة التحديد الدقيق للمواقع تحديدًا.

وعلى المعيار الحضري VisDrone (24 201 إطار تدريبي وعشر فئات) ارتفع mAP@50–95 من 0,138 إلى 0,184 (+33,5%) عند إضافة 75% من المجموعة المنتقاة. وكان التحسّن الأكبر في الفئات النادرة: الشاحنة من 0,050 إلى 0,277، والفان من 0,086 إلى 0,195. ومن أصل 300 مقطع قبِل الخبير 76 مقطعًا، أما المقاطع المرفوضة وعددها 224 (27 896 إطارًا) فاستُخدمت في المجموعة الضابطة. وقد أفادت هي أيضًا، لكن الحافلة، وهي أندر الفئات، تراجعت لدى هذا النموذج من 0,211 إلى 0,010. ويحقق الانتقاء متوسط النتيجة نفسه بربع الإطارات الاصطناعية، ويحمي الفئات النادرة.

كم كلّف ذلك

جرى التوليد على وحدة H100 واحدة بمعدل 330 ثانية للمقطع الواحد، وبسعر $6,93 لساعة GPU. واحتاجت مجموعة MMLA كاملةً إلى نحو 163 ساعة و$1 131. ومن ذلك ذهبت 143 ساعة ($989) إلى مقاطع لم يستخدمها أحد، ولهذا تبلغ كلفة المقطع المقبول $5,08 لا $0,64. وفي VisDrone كان عدد المقاطع المقبولة ضعف ذلك، لكن ثلاثة أرباع المبلغ البالغ $191 دُفعت هي الأخرى ثمنًا للمقاطع المرفوضة.

أما العيّنة الحقيقية فكلفتها أعلى. فقد استغرقت حملة MMLA أكثر من 150 ساعة عمل بشرية في قارتين. وتبلغ حصة الجزء التدريبي (58%) نحو 87 ساعة عمل، أي $3 210 بحسب الأجر الوسيط لعالم أحياء في الولايات المتحدة وحده، ودون احتساب تذاكر الطيران والإقامة وتصاريح التحليق. أما البيانات الاصطناعية فتكلّف $1 131 زائد نحو $164 لمراجعة الخبير نحو 1 780 مقطعًا، أي أرخص بمقدار 2,5 مرة. ولولا التوليدات الفاشلة لبلغت الفجوة نحو 20 مرة: فالمقاطع المقبولة استهلكت $141 فقط من وقت GPU. واستبعد المؤلفون الوسم من الحساب، لأنه مطلوب في الحالتين.

والاستنتاجات محدودة. فقد قُدّرت نسبة الرفض اعتمادًا على تجربة تجريبية صغيرة، ويلزم وجود خبير لمراجعة كل مقطع، وقد تتدهور بعض الفئات بصمت داخل المتوسط العام. وأبرز اتجاه للعمل المقبل هو إيقاف التوليدات الرديئة سلفًا في مرحلة مبكرة، واستبدال المراجعة اليدوية بفحوص آلية. وإن نجحت هذه الفحوص، فلن يبقى المقاطع المرفوضة أكبر بند في التكاليف.