حجم القناع يتنبأ بجودة التجزئة بدقة أكبر من عدد الأمثلة

يرسم النموذج حدود باب السيارة بدقة، لكنه لا يلاحظ الخدش الموجود عليه. ومع ذلك، تبدو قيمة AP المتوسطة مقبولة: فالأجزاء الكبيرة تتكرر كثيرًا، ويجري التعرف عليها جيدًا، فتحجب الإخفاق في الموضع الذي صُمم النظام من أجله أصلًا.

هذا هو الفخ الذي كشفته مقارنة Mask R-CNN وYOLO11s-seg على 1,812 صورة صناعية مجهولة الهوية لمركبات متضررة. ضمت مجموعة البيانات 29 فئة ونحو 25 ألف جسم معلَّم، من أجزاء الهيكل إلى الانبعاجات والشقوق والتآكل. وكانت الخلاصة العملية الرئيسية بسيطة: قبل تغيير البنية أو طلب مزيد من أعمال الوسم، احسب عدد البكسلات التي يشغلها الجسم المطلوب بعد تصغير الصورة إلى حجم إدخال الشبكة.

المقياس المتوسط يخفي العيوب الصغيرة

تعاني مجموعة البيانات الأصلية اختلالًا حادًا في التوازن: ظهرت الفئة الأكثر شيوعًا أكثر من 3,200 مرة، بينما ظهرت الفئة الأندر أقل من 80 مرة. ومع ذلك، لم يفسر عدد الأمثلة تقريبًا جودة الفئات المنفردة؛ إذ بلغ الارتباط مع AP نحو −0.23. في المقابل، كان الارتباط بلوغاريتم المساحة الوسيطة للقناع واضحًا، وتراوح بين 0.68 و0.74.

يمكن فهم السبب من دون رياضيات معقدة. فبعد تصغير الصورة إلى 512×384، يتحول الخدش الرفيع إلى شريط لا يتجاوز عرضه بضعة بكسلات. ويشغل نحو 41% من العيوب أقل من ثمانية بكسلات. أما الانتروبيا التقاطعية الثنائية التقليدية فتأخذ متوسط الخطأ عبر المنطقة، ولذلك تضيع إشارة القناع بالغ الصغر وسط آلاف البكسلات الأخرى.

ويؤدي ذلك إلى أثر مزعج على مستوى المنتج. فمن الممكن مضاعفة عدد الصور العشوائية، لكن النتيجة تكون في الغالب أبوابًا ومصدات جديدة يعرف النموذج بالفعل كيف يكتشفها. في التجربة، أضافت زيادة العينة من 100 إلى 200 صورة مقدار 0.096 إلى mIoU، بينما لم تضف الزيادة من 200 إلى 400 سوى 0.007. وتبين أن وسم كل شيء بلا تمييز أقل جدوى بكثير من جمع العيوب النادرة والصغيرة بصورة موجّهة.

ما الذي غيّر النتيجة فعلًا

كان استبدال دالة الخسارة أرخص تعديل مفيد. فقد رفعت تركيبة BCE وDice قيمة AP الإجمالية من 0.190 إلى 0.200. وبلغ التحسن 14.7% للأجسام الصغيرة و15.8% لفئات العيوب. وفي الشقوق، أصبحت AP أعلى من الصفر بصورة مستقرة للمرة الأولى. ولم تتغير البنية أو سرعة الاستدلال.

في المقابل، خفضت Focal Loss من دون Dice قيمة AP إلى 0.177. وفي هذه المهمة، كان احتساب نسبة التقاطع إلى مساحة القناع أهم من مجرد زيادة إسهام البكسلات الصعبة.

كان معدل التعلم حاسمًا أيضًا. مع Mask R-CNN وAdamW، حققت القيمة 1e-4 مقدار mIoU بلغ 0.252، بينما حققت 5e-4 مقدار 0.125، ولم تحقق 1e-3 سوى 0.029. فقد كانت التحديثات الكبيرة جدًا تمحو بسرعة السمات المفيدة المكتسبة خلال التدريب المسبق على COCO. أما التدريب من الصفر على 400 صورة فلم يعمل فعليًا، إذ توقفت mIoU عند نحو 0.001.

وتتطلب عمليات التشغيل القصيرة الحذر كذلك. فقد حافظت حقبتان تدريبيتان على ترتيب الإعدادات الناجحة، لكنهما خفضتا بشدة تقدير سقف الجودة. وبعد 15 حقبة، ارتفعت mIoU الاختبارية من نحو 0.286 إلى 0.373، وارتفعت AP من 0.165 إلى 0.190. يصلح هذا البروتوكول للفرز السريع للإعدادات، لكنه لا يصلح لنشر المقياس النهائي.

البنية لا تنقذ جسمًا أصبح غير مرئي

باستخدام شيفرة تقييم موحدة، حققت YOLO11s-seg قيمة AP بلغت 0.193 مقابل 0.189 لـMask R-CNN. وكان الفارق أوضح على الأجسام الصغيرة: 0.180 مقابل 0.127. لكن YOLO عملت بمدخل حجمه 640×640، ولذلك ظل كل عيب أكبر قليلًا.

الفارق الهندسي أكبر من فارق الجودة. تضم YOLO عدد 10.1 مليون معلمة مقابل 46 مليونًا، ويشغل ملف أوزانها 19.6 ميغابايت مقابل 184 ميغابايت، وتستغرق معالجة الصورة الواحدة نحو 3.5–9.5 مللي ثانية بدلًا من 61–112 مللي ثانية. وهذه حجة قوية للأجهزة الطرفية. لكن متوسط AP للعيوب تحديدًا ظل منخفضًا بصورة متقاربة: 0.023 مقابل 0.020. فتغيير النموذج لم يستعد المعلومات المفقودة عند تصغير الإطار.

هناك قيود أيضًا. فالعمل يعتمد على مجموعة بيانات صناعية رئيسية واحدة، وعائلة نماذج واحدة، وميزانية محدودة لعمليات التشغيل. كما أن مقارنة درجات الدقة لا تثبت بعد «قانونًا للكشف» صالحًا في كل الحالات، ولم يكتمل جزء من التجارب على مجموعة CarDD الثانية. وقد تكون الفروق التي لا تتجاوز بضعة أجزاء من المئة مجرد ضوضاء في غياب فواصل الثقة.

لذلك يكون ترتيب العمل العملي كالتالي: قياس أحجام الأجسام بعد تحويل المدخلات أولًا، ثم اختيار دقة الكاميرا والشبكة، وضبط العتبة وفق تكلفة حالات الفقد والكشف الكاذب، واختبار معدل تعلم منخفض ودالة خسارة مناسبة. وبعد ذلك فقط تُجمع بيانات إضافية — ليست أي بيانات، بل بيانات تتضمن بالفعل الحالات الصغيرة والنادرة.