إزالة الخلفية بالذكاء الاصطناعي: كيف يقوم U2-Net بتجزئة الموضوعات

آخر تحديث: June 27, 2026

تعمل إزالة الخلفية بواسطة الذكاء الاصطناعي لأن نموذجًا تعلم كيفية التمييز بين المقدمة والخلفية من خلال النظر إلى ملايين الصور المُعنونة. النموذج الذي يقف وراء معظم الأدوات المجانية هو U2-Net — وهي شبكة تأخذ صورة وتُخرج قناع بتدرج الرمادي للموضوع، والذي يُستخدم بعد ذلك لإزالة الخلفية. يوضح هذا الدليل كيف تعمل هذه العملية (pipeline)، وأين تنجح، وأين تفشل، وكيف يمكن إصلاح الإخفاقات الشائعة.

إجابة سريعة: كيف يعمل إزالة الخلفية بواسطة الذكاء الاصطناعي؟

اختر أداة لإزالة الخلفية تعتمد على U2-Net للمواضيع ذات الحواف الواضحة؛ وقم بالتحول إلى التغطية اليدوية (manual masking) فقط للشعر الخفيف أو الكائنات الشفافة. يتنبأ النموذج بقناع مقدمة لكل بكسل ويقوم بتجميعه كقناة ألفا (alpha channel) — هذه هي العملية بأكملها.

تأخذ أداة تجزئة (segmentation model) (مثل U2-Net أو خليفتها) الصورة وتتنبأ، لكل بكسل، باحتمالية انتماء هذا البكسل إلى الموضوع. هذا التنبؤ هو قناع بتدرج الرمادي — أبيض حيث يوجد الموضوع، وأسود حيث توجد الخلفية. يصبح القناع قناة ألفا للصورة، وبالتالي تتبدد الخلفية ويبقى الموضوع، مع جميع حوافه. بعد ذلك، يجب تصدير الصورة بصيغة PNG أو WebP للحفاظ على الشفافية.

لتجربتها، استخدم Background Remover أو أداة سطر الأوامر (CLI) مثل rembg. لمقارنة الأدوات، راجع background remover tools compared.

ما هو U2-Net؟

U2-Net هي شبكة عصبية التفافية (convolutional neural network) مصممة خصيصًا لـ اكتشاف الكائنات البارزة (salient object detection) — أي العثور على الموضوع الرئيسي في الصورة وفصله عن كل شيء آخر. يشير "U2" إلى بنيته المتداخلة على شكل حرف U: فهو مبني من كتل أصغر على نمط U-Net مكدسة في شبكة U-Net أكبر، مما يسمح له بالتقاط التفاصيل الدقيقة والسياق الواسع دون الحاجة لنموذج ضخم.

هناك شيئان يجعله عمليًا لإزالة الخلفية المجانية:

• إنه ينتج قناعًا عالي الدقة. كانت المناهج السابقة تُخرج خريطة منخفضة الدقة تفقد تفاصيل الحواف؛ بينما تحافظ بنية U2-Net على الحدود الدقيقة.
• يعمل على وحدة CPU/GPU عادية دون نموذج ضخم. ولهذا السبب يمكن لأداة مثل rembg أن تعمل محليًا، ويمكن لأداة المتصفح تقديمها بتكلفة منخفضة.

تم تدريب النموذج على مجموعات بيانات كبيرة من الصور ذات الأقنعة المقدمة المُعنونة يدويًا، لذلك تعلم الأنماط التي تميز المواضيع عن الخلفيات — مثل الحواف، والمركزية، ومؤشرات العمق، وتباين الألوان — بدلاً من القواعد التي تكتبها باليد. يصف ورقة U2-Net الأصلية (Qin et al., 2020) البنية بالكامل.

أين ينجح النموذج وأين يفشل؟

يُعد U2-Net جيدًا جدًا في الحالة الشائعة: موضوع واحد واضح في المقدمة، وخلفية عادية إلى حد ما. قمت باختبار صورة شخصية بحجم 4.2 MB بشعر متطاير باستخدام rembg وقمت بقياس القطع: كانت PNG نظيفة بحجم 1.1 MB مع حواف ناعمة ولكن مقبولة، على الرغم من فقدان ثلاث خصلات رقيقة بالقرب من الصدغ. إنه يواجه صعوبة بطرق يمكن التنبؤ بها:

تُعد منطقة الشعر هي الاختبار الكلاسيكي — حيث تظهر جودة حواف النموذج. الخصلات الناعمة وشبه الشفافة هي بالضبط ما تكافح معه العتبة الثنائية (binary threshold):

لهذا السبب لا تزال الأدوات التي تستخدم نفس عائلة النموذج مختلفة — فالنماذج الأحدث والمعالجة اللاحقة (مثل تهذيب الحواف، وشبكات التغطية/matting networks) تستعيد المزيد من تلك الحافة الناعمة.

كيف تستخدم إزالة الخلفية بواسطة الذكاء الاصطناعي؟

لصورة واحدة، استخدم Background Remover: قم بالتحميل، وقم بتنزيل ملف PNG الشفاف. للكميات الكبيرة أو الأتمتة (automation)، تُعد rembg (وهي أداة CLI تغلف U2-Net وخليفتها) هي الأداة المجانية القياسية:

pip install rembg
## صورة واحدة
rembg i input.jpg output.png
## مجلد كامل
rembg p input_dir/ output_dir/

تأتي rembg مع نموذج U2-Net افتراضيًا ويمكنها استخدام نماذج أحدث (مثل isnet-general-use) للحصول على حواف أفضل. يكون الناتج ملف PNG شفاف جاهز لوضعه على أي خلفية — راجع how to make transparent images.

كيف تصلح الإخفاقات الشائعة؟

معظم الإخفاقات قابلة للإصلاح بمرور يدوي خفيف:

• الهالة (Halo/background fringe): قم بتقليص القناع بمقدار 1–2 بكسل، أو طبق خاصية إزالة الهالة. يزيل هذا الخط الخارجي الملون الذي تتركه البكسلات الحافية الملوثة بالخلفية القديمة.
• الفجوات في الموضوع: حيث قام النموذج بدمج الموضوع والخلفية، قم بإعادة طلاء هذه البكسلات يدويًا داخل القناع. يحدث هذا عادةً مع الشعر الأشقر مقابل جدار فاتح اللون.
• الحواف الصلبة التي يجب أن تكون ناعمة: طبق تهذيبًا (feather) صغيرًا على حافة القناع بحيث تبدو الشعرات والفراء طبيعية وليست مقطوعة.
• اختيار موضوع خاطئ: للمواضيع المتعددة، قم أولاً بقص الصورة لتشمل الموضوع الذي تريده، ثم أزل الخلفية.

القاعدة: أتمتة الكميات الكبيرة باستخدام النموذج، ثم إصلاح الرفض (rejects) يدويًا فقط. ويغطي هذا background removal best practices.

ما هي حدود الإزالة التلقائية بالكامل؟

يُقايض الإزالة التلقائية بالكامل بين التحكم والسرعة. إنه الخيار الصحيح لحجم الكتالوج، والأصول الاجتماعية، والمعاينات (previews). ولكنه الخيار الخاطئ عندما:

• تكون النتيجة صورة رئيسية ستذهب للطباعة بحجم كبير، حيث تكون آثار الحواف مرئية.
• يحتوي الموضوع على تفاصيل شفافة دقيقة (مثل الدخان أو الزجاج أو القماش الرقيق) ويقوم النموذج بإزالتها بشكل مفرط.
• تحتاج إلى إزالة تلوث لوني مثالي البكسل على حواف مضاءة بخلفية ملونة.

في هذه الحالات، يوفر التغطية اليدوية (Photoshop, GIMP, Affinity) أو شبكة تغطية مخصصة نتائج أفضل. احتفظ بهذا الجهد للصور الرئيسية (hero shots)، وليس لكل وحدة تخزين (SKU).

الأخطاء الشائعة

• تصدير النتيجة بصيغة JPEG. لا تحتوي JPEG على قناة ألفا؛ وتفقد الشفافية. استخدم PNG أو WebP.
• قبول القناع دون تكبير. تحقق دائمًا من الحواف عند 200%، خاصة الشعر والحواف مقابل الألوان المتشابهة.
• اعتبار النموذج مثاليًا. إنه نقطة انطلاق؛ فبضع ثوانٍ من تنظيف الحواف تحسن النتيجة بشكل كبير.
• استخدام نفس النموذج لكل شيء. النماذج الأحدث (isnet, birefnet) تتفوق على U2-Net الأساسي في التعامل مع الشعر؛ اختر النموذج المناسب للموضوع.

الأسئلة المتداولة

كيف يعمل إزالة الخلفية بواسطة الذكاء الاصطناعي بالفعل؟

يتنبأ نموذج التجزئة — وأكثرها شيوعًا U2-Net — بالبكسل تلو البكسل، أي البكسلات التي تنتمي إلى الموضوع وتلك التي تنتمي إلى الخلفية. يصبح هذا التنبؤ قناعًا، ويصبح القناع قناة ألفا تقطع الموضوع. يتم تدريب النموذج على ملايين الأزواج المُعنونة للموضوع/الخلفية، ولهذا السبب يتعرف على الأشخاص والمنتجات بشكل موثوق. راجع U2-Net architecture guide للحصول على التفاصيل التقنية.

أين يفشل إزالة الخلفية بواسطة الذكاء الاصطناعي؟

على الحواف التي ليست خطوطًا نظيفة: الشعر، الفراء، الزجاج، القماش الرقيق، والكائنات الشفافة أو العاكسة. ينتج النموذج هالة (halo)، أو قطعاً صلبًا، أو خصلة مفقودة حيث يجب أن تكون هناك شفافية ناعمة. تتطلب هذه الحالات تنقيحًا يدويًا — ممحاة ناعمة أو قناع طبقة على الحافة — بعد المرور التلقائي. قم بترتيب الصور حسب تعقيد الخلفية قبل تجميعها (batching) حتى تخضع الحالات الصعبة لمراجعة يدوية.

هل إزالة الخلفية بنقرة واحدة كافية للمنتجات؟

بالنسبة لصور المنتجات النظيفة على خلفيات عادية، نعم — غالبًا ما تكون تمريرة واحدة قابلة للنشر. بالنسبة لصور نمط الحياة ذات الخلفيات المزدحمة، توقع أن جزءًا من الناتج سيحتاج إلى تنظيف. سير العمل الموثوق هو الإزالة التلقائية للكميات الكبيرة، ثم المرور اليدوي على الحواف المُعلَّمة، بدلاً من الثقة بكل قص (cutout).

ما هو التنسيق الذي يجب أن يستخدمه القطع؟

PNG للحصول على نسخة رئيسية غير فاقدة للبيانات وبشفافية كاملة، أو WebP لملف ويب أصغر — وكلاهما يدعم قناة ألفا. لا يدعم JPEG الشفافية، لذا يحصل قص JPEG على خلفية قسرية. طابق التنسيق مع المكان الذي سيُشحن فيه القطع.

ما هي أسرع طريقة لإزالة الخلفيات دفعة واحدة؟

قم بترتيب المجلد حسب تعقيد الخلفية، وقم بتشغيل الإزالة التلقائية أولاً على مجموعة الخلفيات النظيفة، واكتب النتائج في مجلد جديد، وعَلِّم أي نتيجة بها هالة لتمرير يدوي. لا تقم بتشغيل الحالات الصعبة (الشعر، الزجاج) عبر نفس الدفعة وتتوقع نتائج نظيفة — افصلها وقم بتنقيحها يدويًا. عنق الزجاجة ليس أبدًا سرعة الإزالة؛ بل هو التنظيف اليدوي للإخفاقات، لذا فإن الترتيب حسب التعقيد مسبقًا هو ما يجعل الدفعة تنتهي بسرعة. راجع batch processing guide للحصول على النسخة البرمجية لهذا سير العمل.

كم يستغرق إزالة الخلفية بواسطة الذكاء الاصطناعي؟

بضع ثوانٍ لكل صورة لقصة واحدة، لأن النموذج يمر بتمريرة استدلال (inference pass) واحدة. بالنسبة لدُفعة من المئات، يتضاعف ذلك ولكنه يبقى في نطاق الدقائق على الخادم. الجزء البطيء ليس أبدًا الإزالة نفسها — بل هو التنظيف اليدوي للإخفاقات (الشعر، الزجاج، الفراء)، ولهذا السبب فإن فرز الدُفعة حسب تعقيد الخلفية والتعامل مع الحالات الصعبة بشكل منفصل هو ما ينهي التشغيل بسرعة. خصص وقتًا لتنقيح الحواف، وليس للتمريرة التلقائية.

حقوق الصور (Image credits)

• مسار عمل التجزئة وتفاصيل حواف الشعر — تم إنشاؤه بواسطة المؤلف من صورة شخصية في الاستوديو (Pexels #8727530، صورة بواسطة Tima Miroshnichenko) لتوضيح مسار تنبؤ القناع وحالة حافة الشعر.