تحسين تقدير النقاط المفتاحية لليد باستخدام Ultralytics YOLO11

حظي مترجمو لغة الإشارة في مباراة السوبر بول مؤخرًا باهتمام كبير. فعندما تشاهدهم يترجمون أغنية فنانك المفضل على التلفاز، يمكنك فهمهم إذا كنت تعرف لغة الإشارة، لأن دماغك يعالج حركات أيديهم. لكن ماذا لو أمكن للحاسوب فعل الشيء نفسه؟ بفضل حلول تتبع اليد المعتمدة على الذكاء الاصطناعي، بات بإمكان الآلات تتبع حركات اليد وتفسيرها بدقة مذهلة.

في صميم هذه الحلول الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI) يمكّن الآلات من معالجة المعلومات المرئية وفهمها. ويساعد الذكاء الاصطناعي للرؤية الآلات، عبر تحليل الصور ومقاطع الفيديو، على اكتشاف الأجسام وتتبع الحركات والتعرف على الإيماءات المعقدة.

فعلى سبيل المثال، يمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 على اكتشاف النقاط الرئيسية لليد وتحليلها في الوقت الفعلي باستخدام تقدير الوضعيات. وبذلك، يمكن استخدام هذه النماذج في تطبيقات مثل التعرف على الإيماءات وترجمة لغة الإشارة والتفاعلات بالواقع المعزز والواقع الافتراضي (AR/VR).

سنستكشف في هذه المقالة كيف يتيح Ultralytics YOLO11 تتبع اليد المعتمد على الذكاء الاصطناعي، ومجموعات البيانات المستخدمة في التدريب، وكيفية التدريب المخصص لنموذج لتقدير وضعية اليد. كما سنتناول تطبيقات واقعية.

فهم اكتشاف النقاط الرئيسية لليد باستخدام الذكاء الاصطناعي#

يمكن استخدام الذكاء الاصطناعي للتعرف على حركات اليد وتتبعها في البيانات المرئية عبر تحديد النقاط الرئيسية، مثل المعصم وأطراف الأصابع ومفاصلها. ويساعد نهج يُعرف باسم تقدير الوضعيات الحواسيب على فهم حركة الإنسان من خلال رسم خرائط للنقاط الرئيسية وتحليل تغيرها بمرور الوقت. وهذا يتيح لأنظمة الذكاء الاصطناعي تفسير وضعية الجسم والإيماءات وأنماط الحركة بدقة عالية.

تتيح نماذج الرؤية الحاسوبية ذلك من خلال تحليل الصور أو مقاطع الفيديو لتحديد النقاط الرئيسية على اليد وتتبع حركتها. وبعد تعيين هذه النقاط، يستطيع الذكاء الاصطناعي التعرف على الإيماءات بتحليل العلاقات المكانية بين النقاط الرئيسية وكيفية تغيرها بمرور الوقت.

على سبيل المثال، إذا تقلصت المسافة بين الإبهام والسبابة، فقد يفسر الذكاء الاصطناعي ذلك على أنه حركة قرص. وبالمثل، يساعد تتبّع كيفية تحرك النقاط الرئيسية ضمن تسلسلات على تحديد إيماءات اليد المعقدة، بل والتنبؤ بالحركات المستقبلية.

الشكل 1. مثال على التعرف على النقاط الرئيسية في اليد باستخدام الرؤية الحاسوبية.

ومن اللافت أن تقدير الوضعية لتتبّع اليد أتاح إمكانات واعدة، بدءًا من التحكم بالأجهزة الذكية دون استخدام اليدين، وصولًا إلى تحسين دقة الروبوتات وتقديم المساعدة في تطبيقات الرعاية الصحية. ومع استمرار تطور الذكاء الاصطناعي والرؤية الحاسوبية، يُرجح أن يؤدي تتبّع اليد دورًا أكبر في جعل التكنولوجيا أكثر تفاعلية وسهولة في الوصول إليها وبديهية في الحياة اليومية.

استكشاف Ultralytics YOLO11 لتقدير الوضعية#

قبل أن نتعمق في كيفية إنشاء حل لتتبّع اليد بالذكاء الاصطناعي، دعونا نلقِ نظرة عن كثب على تقدير الوضعية وكيف يدعم Ultralytics YOLO11 مهمة الرؤية الحاسوبية هذه. فعلى عكس اكتشاف الكائنات التقليدي، الذي يحدد الكائنات بأكملها، يركز تقدير الوضعية على اكتشاف المعالم الرئيسية، مثل المفاصل أو الأطراف أو الحواف، لتحليل الحركة والوضعية.

صُمم Ultralytics YOLO11 تحديداً لتقدير الوضعيات آنياً. فهو يكتشف الأشخاص ويقدّر النقاط المفتاحية بكفاءة في خطوة واحدة، متفوقاً على النماذج السابقة من حيث السرعة والدقة.

يأتي Ultralytics YOLO11 مدربًا مسبقًا على مجموعة بيانات COCO-Pose، ويمكنه التعرف على النقاط الرئيسية في جسم الإنسان، بما في ذلك الرأس والكتفان والمرفقان والمعصمان والوركان والركبتان والكاحلان.

الشكل 2. استخدام YOLO11 لتقدير وضعية الإنسان.

إضافة إلى تقدير وضعية الإنسان، يمكن تدريب Ultralytics YOLO11 تدريبًا مخصصًا لاكتشاف النقاط الرئيسية على مجموعة متنوعة من الأجسام الحية وغير الحية. وتجعل هذه المرونة YOLO11 خيارًا رائعًا لمجموعة واسعة من التطبيقات.

نظرة عامة على مجموعة بيانات النقاط الرئيسية لليد#

تتمثل الخطوة الأولى في التدريب المخصص للنموذج في جمع البيانات ووسمها، أو العثور على مجموعة بيانات موجودة تلبي احتياجات المشروع. فعلى سبيل المثال، تُعد مجموعة بيانات النقاط الرئيسية لليد نقطة بداية جيدة لتدريب نماذج الذكاء الاصطناعي البصري على تتبّع اليد وتقدير الوضعية. وهي تضم 26,768 صورة موسومة، ما يلغي الحاجة إلى الوسم اليدوي.

يمكن استخدامها لتدريب نماذج مثل Ultralytics YOLO11 على تعلّم كيفية اكتشاف حركات اليد وتتبعها بسرعة. وتتضمن مجموعة البيانات 21 نقطة رئيسية لكل يد، تغطي المعصم والأصابع والمفاصل. كما أُنشئت وسوم مجموعة البيانات باستخدام Google MediaPipe، وهي أداة لتطوير حلول مدعومة بالذكاء الاصطناعي لمعالجة الوسائط في الوقت الفعلي، مما يضمن دقة اكتشاف النقاط الرئيسية وموثوقيته.

الشكل 3. النقاط الرئيسية الـ21 المضمنة في مجموعة بيانات النقاط الرئيسية لليد.

يوفر استخدام مجموعة بيانات منظمة كهذه الوقت، ويتيح للمطورين التركيز على تدريب نماذجهم وضبطها بدقة بدلًا من جمع البيانات ووسمها. وفي الواقع، قُسمت مجموعة البيانات مسبقًا إلى مجموعتي تدريب (18,776 صورة) وتحقق (7,992 صورة)، مما يسهل تقييم أداء النموذج.

كيفية تدريب Ultralytics YOLO11 على تقدير وضعية اليد#

تدريب YOLO11 على تقدير وضعية اليد عملية مباشرة، لا سيما باستخدام حزمة Ultralytics لـ Python، التي تسهّل إعداد النموذج وتدريبه. وبما أن مجموعة بيانات النقاط الرئيسية لليد مدعومة بالفعل في مسار التدريب، فيمكن استخدامها مباشرة دون تنسيق إضافي، مما يوفر الوقت والجهد.

إليك كيفية سير عملية التدريب:

• إعداد البيئة: تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics لـPython.
• تحميل مجموعة بيانات النقاط الرئيسية لليد: يدعم Ultralytics YOLO11 مجموعة البيانات هذه مباشرةً، لذا يمكن تنزيلها وتجهيزها تلقائيًا.
• استخدم نموذجًا مدرّبًا مسبقًا: يمكنك البدء باستخدام نموذج Ultralytics YOLO11 لتقدير الوضعيات المدرّب مسبقًا، مما يساعد على تحسين الدقة وتسريع عملية التدريب.
• تدريب النموذج: يتعلم النموذج اكتشاف النقاط الرئيسية لليد وتتبعها عبر المرور بدورات تدريب متعددة.
• مراقبة الأداء: توفر حزمة Ultralytics أيضًا أدوات مدمجة لتتبّع المقاييس الرئيسية، مثل الدقة والخسارة، مما يساعد على ضمان تحسن النموذج بمرور الوقت.
• الحفظ والنشر: بعد التدريب، يمكن تصدير النموذج واستخدامه في تطبيقات تتبّع اليد في الوقت الفعلي.

تقييم النموذج المدرّب خصيصًا#

أثناء تنفيذ خطوات إنشاء نموذج مخصص، ستلاحظ أن مراقبة الأداء أمر أساسي. وإلى جانب تتبّع التقدم خلال التدريب، يُعد تقييم النموذج بعد ذلك أمرًا بالغ الأهمية لضمان اكتشافه النقاط الرئيسية لليد وتتبعها بدقة.

تساعد مقاييس الأداء الرئيسية، مثل الدقة وقيم الخسارة ومتوسط الدقة (mAP)، على تقييم مدى جودة أداء النموذج. وتوفر حزمة Ultralytics لـPython أدوات مدمجة لتصور النتائج ومقارنة التنبؤات بالوسوم الحقيقية، مما يسهل تحديد الجوانب التي تحتاج إلى تحسين.

لفهم أداء النموذج على نحو أفضل، يمكنك الاطلاع على رسوم التقييم، مثل منحنيات الخسارة ومخططات الدقة والاستدعاء ومصفوفات الالتباس، التي تُنشأ تلقائيًا في سجلات التدريب.

تساعد هذه الرسوم على تحديد مشكلات مثل فرط التكيّف (عندما يحفظ النموذج بيانات التدريب لكنه يواجه صعوبة مع البيانات الجديدة) أو نقص التكيّف (عندما لا يتعلم النموذج الأنماط بما يكفي لتحقيق أداء دقيق)، كما تساعد على توجيه التعديلات اللازمة لتحسين الدقة. ومن المهم أيضًا اختبار النموذج على صور أو مقاطع فيديو جديدة لمعرفة مدى أدائه في سيناريوهات واقعية.

تطبيقات حلول تتبّع اليد المدعومة بالذكاء الاصطناعي#

لنستعرض بعد ذلك بعضًا من أبرز تطبيقات تقدير النقاط الرئيسية لليد باستخدام Ultralytics YOLO11.

التعرف على الإيماءات في الوقت الفعلي باستخدام Ultralytics YOLO11#

تخيل أنك تستطيع ضبط مستوى صوت التلفاز بمجرد التلويح بيدك، أو التنقل في نظام المنزل الذكي بحركة بسيطة في الهواء. يتيح التعرف على الإيماءات في الوقت الفعلي، والمدعوم بـUltralytics YOLO11، هذه التفاعلات دون لمس، عبر اكتشاف حركات اليد بدقة وفي الوقت الفعلي.

تعمل هذه التقنية باستخدام كاميرات الذكاء الاصطناعي لتتبع النقاط الرئيسية على يدك وتفسير الإيماءات على أنها أوامر. وتلتقط كاميرات استشعار العمق أو مستشعرات الأشعة تحت الحمراء أو حتى كاميرات الويب العادية حركات اليد، بينما يستطيع Ultralytics YOLO11 معالجة البيانات للتعرف على الإيماءات المختلفة. فعلى سبيل المثال، يستطيع هذا النظام التمييز بين حركة التمرير لتغيير الأغنية والقرص للتكبير والحركة الدائرية لضبط مستوى الصوت.

اكتشاف النقاط الرئيسية لليد بالذكاء الاصطناعي للتعرف على لغة الإشارة#

يمكن لحلول تتبع اليد بالذكاء الاصطناعي دعم التواصل بين شخص أصم وآخر لا يعرف لغة الإشارة. فعلى سبيل المثال، يمكن استخدام الأجهزة الذكية المدمجة مع الكاميرات وUltralytics YOLO11 لترجمة لغة الإشارة فورًا إلى نص أو كلام.

بفضل التطورات مثل Ultralytics YOLO11، أصبحت أدوات ترجمة لغة الإشارة أكثر دقة وسهولة في الوصول إليها. وينعكس ذلك على تطبيقات مثل التكنولوجيا المساعدة وخدمات الترجمة المباشرة والمنصات التعليمية. ويمكن للذكاء الاصطناعي المساعدة في سد فجوات التواصل وتعزيز الشمول في أماكن العمل والمدارس والأماكن العامة.

الرؤية الحاسوبية لتتبّع اليد: تحسين تجارب الواقع المعزز والواقع الافتراضي#

هل سبق أن لعبت لعبة واقع افتراضي (VR) أمكنك فيها التقاط الأشياء دون استخدام وحدة تحكم؟ يجعل تتبّع اليد المدعوم بالرؤية الحاسوبية ذلك ممكنًا، إذ يتيح للمستخدمين التفاعل بصورة طبيعية في بيئات الواقع المعزز (AR) والواقع الافتراضي.

الشكل 4. يُعد تتبّع اليد عنصرًا أساسيًا في تطبيقات الواقع المعزز والواقع الافتراضي.

باستخدام تقدير النقاط الرئيسية لليد عبر نماذج مثل Ultralytics YOLO11، يتتبع الذكاء الاصطناعي الحركات في الوقت الفعلي، ما يتيح إيماءات مثل القرص والإمساك والتمرير. وهذا يعزز الألعاب والتدريب الافتراضي والتعاون عن بُعد، ويجعل التفاعلات أكثر سهولة وحدسية. ومع تحسن تقنية تتبع اليد، سيصبح الواقع المعزز والواقع الافتراضي أكثر غنىً وانغماسًا وواقعية.

أبرز النقاط#

يجعل تقدير النقاط الرئيسية لليد باستخدام Ultralytics YOLO11 حلول تتبّع اليد المدعومة بالذكاء الاصطناعي أكثر سهولة وموثوقية. ومن التعرف على الإيماءات في الوقت الفعلي إلى تفسير لغة الإشارة وتطبيقات الواقع المعزز والواقع الافتراضي، تفتح الرؤية الحاسوبية آفاقًا جديدة للتفاعل بين الإنسان والكمبيوتر.

كما تساعد عمليات التدريب المخصص والضبط الدقيق المبسطة المطورين على بناء نماذج فعالة لاستخدامات واقعية متنوعة. ومع تطور تقنية الرؤية الحاسوبية، يمكننا توقع مزيد من الابتكارات في مجالات مثل الرعاية الصحية والروبوتات والألعاب والأمن.

تفاعلوا مع مجتمعنا واستكشفوا تطورات الذكاء الاصطناعي في مستودع GitHub الخاص بنا. واكتشفوا أثر الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية عبر صفحات حلولنا. واستكشفوا خطط الترخيص وابدؤوا رحلتكم في مجال الذكاء الاصطناعي اليوم!