تحسين تقدير النقاط الرئيسية لليد باستخدام Ultralytics YOLO11

في الآونة الأخيرة، حظي مترجمو لغة الإشارة في مباراة السوبر بول باهتمام كبير. عندما تشاهدهم وهم يؤدون أغنية فنانك المفضل على التلفاز، يمكنك فهمهم إذا كنت تعرف لغة الإشارة، لأن دماغك يعالج حركات أيديهم. ولكن ماذا لو كان بإمكان الحاسوب فعل الشيء نفسه؟ بفضل حلول تتبّع اليد المدعومة بالذكاء الاصطناعي، أصبح بإمكان الآلات تتبّع حركات اليد وتفسيرها بدقة مذهلة.

يكمن جوهر هذه الحلول في الرؤية الحاسوبية، وهي مجال فرعي من الذكاء الاصطناعي يمكّن الآلات من معالجة المعلومات المرئية وفهمها. ومن خلال تحليل الصور ومقاطع الفيديو، يساعد الذكاء الاصطناعي للرؤية الآلات على اكتشاف الكائنات، وتتبع الحركات، والتعرف على الإيماءات المعقدة بدقة ملحوظة.

فعلى سبيل المثال، يمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لاكتشاف النقاط الرئيسية لليد وتحليلها في الوقت الفعلي باستخدام تقدير الوضعية. وبذلك، يمكن استخدام هذه النماذج في تطبيقات مثل التعرف على الإيماءات، وترجمة لغة الإشارة، وتفاعلات الواقع المعزز/الواقع الافتراضي.

في هذه المقالة، سنستكشف كيفية تمكين Ultralytics YOLO11 لتتبّع اليد القائم على الذكاء الاصطناعي، ومجموعات البيانات المستخدمة في التدريب، وكيفية تدريب نموذج مخصص لتقدير وضعية اليد. وسنلقي نظرة أيضًا على التطبيقات الواقعية. لنبدأ!

فهم اكتشاف النقاط الرئيسية لليد باستخدام الذكاء الاصطناعي#

يمكن استخدام الذكاء الاصطناعي للتعرف على حركات اليد وتتبعها في البيانات المرئية، من خلال تحديد نقاط رئيسية مثل المعصم وأطراف الأصابع ومفاصل الأصابع. ويُعرف أحد الأساليب باسم تقدير الوضعية، وهو يساعد الحواسيب على فهم حركة الإنسان عبر تخطيط النقاط الرئيسية وتحليل كيفية تغيرها بمرور الوقت. ويتيح ذلك لأنظمة الذكاء الاصطناعي تفسير وضعية الجسم والإيماءات وأنماط الحركة بدقة عالية.

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

فعلى سبيل المثال، إذا انخفضت المسافة بين الإبهام والسبابة، فقد يفسر الذكاء الاصطناعي ذلك على أنه حركة قرص. وبالمثل، يساعد تتبع 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 المثير للاهتمام أن تقدير الوضعية لتتبّع اليد فتح آفاقًا واعدة، بدءًا من التحكم في الأجهزة الذكية دون استخدام اليدين، وصولًا إلى تحسين الدقة الروبوتية وتقديم المساعدة في تطبيقات الرعاية الصحية. ومع استمرار تطور الذكاء الاصطناعي والرؤية الحاسوبية، من المرجح أن يؤدي تتبع اليد دورًا أكبر في جعل التكنولوجيا أكثر تفاعلية وإتاحة وسهولة في الاستخدام في الحياة اليومية.

استكشاف Ultralytics YOLO11 لتقدير الوضعية#

قبل التعمق في كيفية إنشاء حل لتتبّع اليد القائم على الذكاء الاصطناعي، دعونا نلقي نظرة أقرب على تقدير الوضعية وكيف يدعم Ultralytics YOLO11 هذه المهمة في مجال الرؤية الحاسوبية. وعلى خلاف 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 تحديدًا لتقدير الوضعية في الوقت الفعلي. ومن خلال الاستفادة من الأسلوبين التنازلي والتصاعدي، يكتشف الأشخاص ويقدّر النقاط الرئيسية بكفاءة في خطوة واحدة، متفوقًا على النماذج السابقة من حيث السرعة والدقة.

يأتي Ultralytics YOLO11 مُدرّبًا مسبقًا على مجموعة بيانات COCO-Pose، ويمكنه التعرف على النقاط الرئيسية في جسم الإنسان، بما في ذلك الرأس والكتفين والمرفقين والمعصمين والوركين والركبتين والكاحلين.

الشكل 2. استخدام YOLO11 لتقدير وضعية الإنسان.

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

نظرة عامة على مجموعة بيانات النقاط الرئيسية لليد#

تتمثل الخطوة الأولى في تدريب نموذج مخصص في جمع البيانات وإضافة التعليقات التوضيحية إليها، أو العثور على مجموعة بيانات موجودة تلائم احتياجات المشروع. فعلى سبيل المثال، تُعد مجموعة بيانات النقاط الرئيسية لليد نقطة بداية جيدة لتدريب نماذج الذكاء الاصطناعي للرؤية على تتبع اليد وتقدير الوضعية. وبفضل احتوائها على 26,768 صورة مشروحة، فإنها تلغي الحاجة إلى وضع التسميات يدويًا.

يمكن استخدامها لتدريب نماذج مثل Ultralytics YOLO11 على تعلم كيفية اكتشاف حركات اليد وتتبعها بسرعة. وتتضمن مجموعة البيانات 21 نقطة رئيسية لكل يد، تغطي المعصم والأصابع والمفاصل. بالإضافة إلى ذلك، أُنشئت التعليقات التوضيحية لمجموعة البيانات باستخدام Google MediaPipe، وهي أداة لتطوير حلول مدعومة بالذكاء الاصطناعي لمعالجة الوسائط في الوقت الفعلي، مما يضمن اكتشافًا دقيقًا وموثوقًا للنقاط الرئيسية.

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 بدلًا من جمع البيانات ووضع التسميات عليها. وفي الواقع، تنقسم مجموعة البيانات بالفعل إلى مجموعتين فرعيتين للتدريب (18,776 صورة) والتحقق (7,992 صورة)، مما يسهّل تقييم أداء النموذج.

كيفية تدريب Ultralytics YOLO11 لتقدير وضعية اليد#

تدريب YOLO11 لتقدير وضعية اليد عملية مباشرة، لا سيما مع حزمة Ultralytics Python، التي تجعل إعداد النموذج وتدريبه أسهل. وبما أن مجموعة بيانات النقاط الرئيسية لليد مدعومة بالفعل في مسار التدريب، فيمكن استخدامها فورًا دون الحاجة إلى تنسيق إضافي، مما يوفر الوقت والجهد.

إليك كيفية عمل عملية التدريب:

• إعداد البيئة: تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python.
• تحميل مجموعة بيانات النقاط الرئيسية لليد: يدعم Ultralytics YOLO11 مجموعة البيانات هذه دعمًا أصليًا، لذا يمكن تنزيلها وتجهيزها تلقائيًا.
• استخدام نموذج مُدرّب مسبقًا: يمكنك البدء بنموذج Ultralytics YOLO11 مُدرّب مسبقًا لتقدير الوضعية، مما يساعد على تحسين الدقة وتسريع عملية التدريب.
• تدريب النموذج: يتعلم النموذج اكتشاف النقاط الرئيسية لليد وتتبعها من خلال المرور بعدة دورات تدريبية.
• مراقبة الأداء: توفر حزمة Ultralytics أيضًا أدوات مدمجة لتتبع المقاييس الرئيسية مثل الدقة والخسارة، مما يساعد على ضمان تحسن النموذج بمرور الوقت.
• الحفظ والنشر: بعد اكتمال التدريب، يمكن تصدير النموذج واستخدامه في تطبيقات تتبع اليد في الوقت الفعلي.

تقييم نموذجك المُدرّب تدريبًا مخصصًا#

أثناء اتباع خطوات إنشاء نموذج مخصص، ستلاحظ أن مراقبة الأداء أمر أساسي. وإلى جانب تتبع التقدم أثناء التدريب، يُعد تقييم النموذج بعد ذلك ضروريًا للتأكد من أنه يكتشف النقاط الرئيسية لليد ويتتبعها بدقة.

تساعد مقاييس الأداء الرئيسية، مثل الدقة وقيم الخسارة ومتوسط الدقة (mAP)، على تقييم مدى جودة أداء النموذج. وتوفر حزمة Ultralytics Python أدوات مدمجة لتصور النتائج ومقارنة التنبؤات بالتعليقات التوضيحية الحقيقية، مما يسهل تحديد مجالات التحسين.

لفهم أداء النموذج بصورة أفضل، يمكنك التحقق من 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 يفشل النموذج في تعلم الأنماط بما يكفي لتحقيق أداء دقيق)، كما توجه التعديلات اللازمة لتحسين الدقة. ومن المهم أيضًا اختبار النموذج على صور أو مقاطع فيديو جديدة لمعرفة مدى جودة عمله في السيناريوهات الواقعية.

تطبيقات حلول تتبّع اليد المدعومة بالذكاء الاصطناعي#

بعد ذلك، دعونا نستعرض بعضًا من أكثر تطبيقات تقدير النقاط الرئيسية لليد باستخدام Ultralytics YOLO11 تأثيرًا.

التعرف على الإيماءات في الوقت الفعلي باستخدام Ultralytics YOLO11#

لنفترض أنه يمكنك ضبط مستوى صوت التلفاز بمجرد التلويح بيدك، أو التنقل في نظام المنزل الذكي بتمريرة بسيطة في الهواء. يجعل التعرف على الإيماءات في الوقت الفعلي، المدعوم بواسطة Ultralytics YOLO11، هذه التفاعلات دون لمس ممكنة من خلال اكتشاف حركات اليد بدقة وفي الوقت الفعلي.

يعمل ذلك باستخدام كاميرات الذكاء الاصطناعي لتتبع النقاط الرئيسية في يدك وتفسير الإيماءات على أنها أوامر. وتلتقط كاميرات استشعار العمق أو المستشعرات التي تعمل بالأشعة تحت الحمراء أو حتى كاميرات الويب العادية حركات اليد، بينما يستطيع Ultralytics YOLO11 معالجة البيانات للتعرف على الإيماءات المختلفة. فعلى سبيل المثال، يمكن لهذا النظام التمييز بين تمريرة لتغيير الأغنية، وقرص للتكبير، وحركة دائرية لضبط مستوى الصوت.

اكتشاف النقاط الرئيسية لليد باستخدام الذكاء الاصطناعي للتعرف على لغة الإشارة#

يمكن لحلول تتبّع اليد المدعومة بالذكاء الاصطناعي أن تدعم التواصل السلس بين شخص أصم وشخص 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 وإتاحة. ويؤثر ذلك في تطبيقات مثل التكنولوجيا المساعدة، وخدمات الترجمة المباشرة، والمنصات التعليمية. ويمكن للذكاء الاصطناعي المساعدة على 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) حيث يمكنك الإمساك بالكائنات دون استخدام وحدة تحكم؟ يتيح تتبع اليد المدعوم بالرؤية الحاسوبية ذلك من خلال السماح للمستخدمين بالتفاعل بصورة طبيعية في بيئات الواقع المعزز (AR) والواقع الافتراضي.

الشكل 4. يُعد تتبع اليد جزءًا أساسيًا من تطبيقات الواقع المعزز والواقع الافتراضي.

من خلال تقدير النقاط الرئيسية لليد باستخدام نماذج مثل Ultralytics YOLO11، يتتبع الذكاء الاصطناعي الحركات في الوقت الفعلي، مما يتيح إيماءات مثل القرص والإمساك والتمرير. ويعزز ذلك تجارب الألعاب والتدريب الافتراضي والتعاون عن بُعد، مما يجعل التفاعلات أكثر سهولة وبديهية. ومع تحسن تقنية تتبّع اليد، سيبدو الواقع المعزز والواقع الافتراضي أكثر غمرًا وواقعية.

أهم النقاط المستخلصة#

يجعل تقدير النقاط الرئيسية لليد باستخدام Ultralytics YOLO11 حلول تتبّع اليد المدعومة بالذكاء الاصطناعي أكثر إتاحة وموثوقية. ومن التعرف على الإيماءات في الوقت الفعلي إلى تفسير لغة الإشارة وتطبيقات الواقع المعزز/الواقع الافتراضي، تفتح الرؤية الحاسوبية إمكانات جديدة في التفاعل بين الإنسان والحاسوب.

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

تفاعل مع مجتمعنا واستكشف تطورات الذكاء الاصطناعي في مستودع GitHub الخاص بنا. تعرّف على أثر الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية من خلال صفحات حلولنا. استكشف خطط الترخيص الخاصة بنا وابدأ رحلتك في مجال الذكاء الاصطناعي اليوم!