YOLO26 من Ultralytics مقابل نماذج YOLO الأخرى من Ultralytics لتقدير الوضع

عندما تنظر إلى وضعية شخص ما، يسهل عليك ملاحظة ما إذا كان منحنياً، أو يميل للأمام، أو يقف باستقامة. يستطيع البشر فهم كيفية ارتباط أجزاء الجسم المختلفة ببعضها البعض بسرعة.

هذا جزء متأصل في كيفية تفسيرنا للحركة ولغة الجسد في الحياة اليومية. أما بالنسبة للآلات، فإن هذا النوع من الفهم البصري ليس تلقائياً. يتطلب تعليم النظام التعرف على الحركة والبنية تقنيات متقدمة في التعلم العميق والرؤية الحاسوبية تتيح له تفسير الصور بطريقة ذات مغزى.

على وجه الخصوص، يُعد تقدير الوضعية تقنية ذكاء اصطناعي مرئي تمكّن نموذج الرؤية الحاسوبية من بناء فهم مشابه. فبدلاً من مجرد اكتشاف كائن في صورة، يتنبأ النموذج بنقاط رئيسية تمثل معالم هيكلية مهمة.

يمكن أن تتوافق هذه النقاط الرئيسية مع مفاصل الجسم، أو أطراف الحيوانات، أو مكونات الآلات، أو حتى نقاط ثابتة مثل زوايا الملاعب. من خلال تحديد هذه النقاط وتتبعها، يستطيع النظام فهم الموقع، والمحاذاة، والحركة بطريقة منظمة وقابلة للقياس.

مع تطبيق تقدير الوضعية في المزيد من السيناريوهات الواقعية، يتعين على النماذج التعامل مع نقاط رئيسية غير بشرية، ومشاهد معقدة، ومجموعات بيانات مخصصة بشكل أكثر فاعلية. على سبيل المثال، تدعم النماذج المتطورة مثل Ultralytics YOLO26 مهام الرؤية الحاسوبية مثل تقدير الوضعية، وتعتمد على نماذج YOLO السابقة للوضعية مع تحسينات معمارية وتدريبية مصممة لتعزيز المرونة والأداء العام.

الشكل 1. مثال على تقدير الوضعية الذي تم تمكينه بواسطة YOLO (المصدر)

في هذه المقالة، سنقارن YOLO26-pose بنماذج Ultralytics YOLO السابقة للوضعية ونستكشف كيف تعمل على تحسين المرونة، وسرعة التقارب، والأداء في المشاهد المعقدة. لنبدأ!

Link to this sectionما هو تقدير الوضعية؟#

قبل أن نتعمق في مقارنة نماذج Ultralytics YOLO للوضعية، دعونا نلقي نظرة فاحصة على ما يعنيه تقدير الوضعية في سياق الرؤية الحاسوبية.

تقدير الوضعية هو تقنية تُستخدم لاكتشاف وتتبع نقاط رئيسية محددة في صورة أو إطار فيديو. يمكن أن تمثل هذه النقاط الرئيسية معالم هيكلية مهمة، مثل مفاصل جسم الإنسان، أو أطراف حيوان، أو مكونات آلة، أو نقاط مرجعية ثابتة في مشهد ما.

الشكل 2. تقدير وضعية العمال باستخدام تقدير وضعية الإنسان (المصدر)

من خلال تحديد إحداثيات هذه النقاط، يمكن للنموذج فهم كيفية تموضع الكائن وكيفية حركته بمرور الوقت. بخلاف تصنيف الصور، الذي يعين تسمية واحدة لصورة بأكملها، أو نماذج اكتشاف الكائنات، التي تركز على رسم مربعات إحاطة (bbox) حول الكائنات، يوفر تقدير الوضعية معلومات مكانية أكثر تفصيلاً حول البنية والحركة.

Link to this sectionنظرة عامة على YOLO26-pose#

يتوفر YOLO26-pose في إصدارات متعددة أو أحجام نماذج مختلفة، بما في ذلك خيارات خفيفة الوزن مثل YOLO26n-pose ونماذج أكبر مثل YOLO26m-pose، وYOLO26l-pose، وYOLO26x-pose. يتيح ذلك للفرق اختيار التوازن الصحيح بين السرعة والدقة اعتماداً على احتياجات أجهزتهم وأدائهم.

توفر Ultralytics أيضاً نماذج وضعية مدربة مسبقاً على مجموعات بيانات كبيرة وعامة مثل مجموعة بيانات COCO، وتحديداً تعليقات COCO-Pose (نقاط COCO الرئيسية) لتقدير وضعية الإنسان، لذا لن تضطر للبدء من الصفر. في معظم الحالات، تقوم الفرق بضبط هذه النماذج على مجموعات البيانات الخاصة بهم لتكييفها مع نقاط رئيسية أو تخطيطات أو بيئات معينة.

يتضمن هذا عادةً إعداد ملفات تعليقات مخصصة تحدد إحداثيات النقاط الرئيسية وتسميات الفئات بتنسيق منظم. تربط هذه التعليقات النقاط الرئيسية بإحداثيات بكسل محددة داخل كل صورة، مما يسمح للنموذج بتعلم العلاقات المكانية الدقيقة أثناء التدريب.

يجعل استخدام النماذج المدربة مسبقاً التدريب أسرع، ويقلل من متطلبات البيانات، ويساعد في نقل المشاريع إلى مرحلة الإنتاج بكفاءة أكبر.

Link to this sectionتطبيقات واقعية لتقدير وضعية الإنسان#

إليك لمحة عن بعض حالات الاستخدام الواقعية التي يلعب فيها تقدير الوضعية دوراً مهماً:

• الرعاية الصحية وإعادة التأهيل: يمكن للأطباء استخدام نماذج الوضعية لتقييم القوام، ومراقبة تقدم التعافي، وتحليل أنماط الحركة أثناء العلاج الطبيعي.
• الأنظمة المستقلة: يمكن للطائرات بدون طيار والكاميرات الذكية استخدام معلومات الوضعية لفهم اتجاه الكائن وحركته بشكل أفضل في المشاهد الديناميكية.
• السلامة في مكان العمل: يمكن للمؤسسات مراقبة تموضع الجسم والحركات المتكررة للمساعدة في تحديد مخاطر السلامة المحتملة.
• اللياقة البدنية والتدريب الشخصي: تستخدم تطبيقات اللياقة البدنية تقدير الوضعية لتتبع أداء التمارين، وعد التكرارات، وتقديم ملاحظات فورية حول القوام والحركة التي يتم الحفاظ عليها أثناء دروس اللياقة البدنية.

الشكل 3. يمكن أن يساعد تقدير الوضعية في تتبع نقاط الجسم الرئيسية أثناء الحركة الرياضية. (المصدر)

Link to this sectionاستكشاف دعم Ultralytics YOLO26 لتقدير الوضعية#

يعتمد Ultralytics YOLO26 على نماذج Ultralytics YOLO السابقة مع تحديثات مصممة لجعل التدريب والنشر أكثر عملية.

مثل الإصدارات السابقة، فإنه يدعم تقدير الوضعية كجزء من إطار عمل موحد. الفرق الرئيسي هو أن YOLO26 مصمم ليكون أكثر مرونة واستقراراً عبر مجموعة أوسع من حالات الاستخدام الواقعية.

الشكل 4. قياس أداء YOLO26 (المصدر)

كانت نماذج Ultralytics YOLO السابقة للوضعية متأثرة إلى حد كبير بـ مجموعات بيانات الوضعية البشرية، مما يعني أن أجزاءً من الأساليب القديمة كانت محسّنة حول هياكل مفاصل الإنسان. يزيل YOLO26 هذه الافتراضات الخاصة بالبشر.

ونتيجة لذلك، فهو أكثر ملاءمة للنقاط الرئيسية غير البشرية، مثل اكتشاف زوايا ملعب التنس أو غيرها من المعالم الهيكلية المخصصة. هذا أمر مهم لأن نماذج YOLO26-pose المدربة مسبقاً تكون مدربة على مجموعات بيانات مثل COCO-pose وتتنبأ بالنقاط الرئيسية البشرية المحددة في تعليقات مجموعة البيانات.

ومع ذلك، عندما ترغب الفرق في اكتشاف أنواع مختلفة من المعالم، مثل مكونات الآلات، أو علامات الملاعب الرياضية، أو نقاط البنية التحتية، يحتاج النموذج عادةً إلى الضبط الدقيق على مجموعة بيانات مخصصة حيث يتم التعليق على تلك النقاط الرئيسية المحددة.

نظراً لأن YOLO26 غير مقيد بافتراضات حول هياكل مفاصل الإنسان، يمكنه التكيف بشكل أكثر فاعلية أثناء الضبط الدقيق. تتيح هذه المرونة للنموذج تعلم تخطيطات النقاط الرئيسية المخصصة بشكل أكثر موثوقية، مما يؤدي إلى تحسين مقاييس التقييم عند التحقق من الصحة على مجموعات البيانات ذات التكوينات الفريدة للنقاط الرئيسية.

تم تصميم YOLO26-pose أيضاً لتحسين تحديد موقع النقاط الرئيسية عندما تكون أجزاء من كائن ما مخفية جزئياً أو تظهر بمقياس صغير جداً. في المشاهد الواقعية التي تتضمن موضوعات بعيدة، أو لقطات طائرات بدون طيار، أو سيناريوهات الكائنات الصغيرة، يمكن أن يؤدي هذا إلى تنبؤات أكثر دقة للنقاط الرئيسية مقارنة بنماذج الوضعية السابقة.

تحديث مهم آخر هو صياغة الخسارة المحسنة المستخدمة أثناء التدريب. تحدد دالة الخسارة كيفية تصحيح النموذج لأخطائه أثناء التعلم.

عندما يتعلق الأمر بـ YOLO26-pose، فإن هذه العملية أكثر فاعلية، مما يساعد النموذج على التعلم بشكل أسرع والوصول إلى دقة قوية في عدد أقل من الحقب (epochs)، حيث تشير الحقبة إلى تمريرة كاملة واحدة عبر مجموعة بيانات التدريب.

بشكل عام، يعتمد YOLO26-pose على نماذج Ultralytics YOLO السابقة للوضعية مع تحسينات أكثر وضوحاً في دعم النقاط الرئيسية غير البشرية وتقارب التدريب، مع الحفاظ على نفس سير العمل المألوف.

Link to this sectionمقارنة YOLO26-pose بـ Ultralytics YOLOv5#

تم بناء الإصدار الأول من نماذج Ultralytics YOLO، Ultralytics YOLOv5، في المقام الأول لاكتشاف الكائنات. على الرغم من أن YOLOv5 توسع لاحقاً لدعم تجزئة المثيلات، إلا أنه لا يتضمن رأس تقدير وضعية أصلياً ومتخصصاً ضمن إطار عمل Ultralytics الرسمي.

اعتمدت الفرق التي كانت بحاجة إلى اكتشاف النقاط الرئيسية عادةً على عمليات تنفيذ منفصلة أو تعديلات مخصصة. يتضمن Ultralytics YOLO26 تقدير الوضعية كمهمة مدمجة، مع رأس معماري مخصص مصمم خصيصاً للتنبؤ بالنقاط الرئيسية.

هذا يعني أنه يمكن تدريب نماذج YOLO26-pose والتحقق منها ونشرها ضمن نفس سير العمل الموحد مثل الاكتشاف والتجزئة. بالنسبة للمشاريع التي تركز على اكتشاف النقاط الرئيسية المنظم، يوفر YOLO26 دعماً أصلياً للوضعية وبنية معمارية مخصصة للمهمة لا يقدمها YOLOv5 بشكل جاهز.

Link to this sectionالاختلافات الرئيسية: YOLO26-pose مقابل Ultralytics YOLOv8-pose#

قدم Ultralytics YOLOv8 تقدير وضعية أصلياً داخل إطار عمل Ultralytics الموحد، مما يسهل تدريب ونشر نماذج النقاط الرئيسية باستخدام نفس سير العمل مثل الاكتشاف والتجزئة. وهو يعتمد على خط معالجة لاحق تقليدي مع قمع غير الحد الأقصى (NMS) ويستخدم صياغات خسارة سابقة لانحدار مربع الإحاطة (bbox) والتدريب.

يعتمد YOLO26 على هذا الأساس مع تحديثات معمارية وتدريبية تؤثر بشكل مباشر على تقدير الوضعية. أحد الاختلافات الرئيسية هو التصميم من البداية إلى النهاية. يزيل YOLO26 الحاجة إلى NMS خارجي أثناء الاستنتاج، مما يبسط النشر ويحسن اتساق زمن الوصول، خاصة على وحدات المعالجة المركزية (CPUs) وأجهزة الحافة (edge devices).

تحسين رئيسي آخر في منهجية التدريب. يقدم YOLO26 محسن MuSGD جنباً إلى جنب مع استراتيجيات خسارة محدثة. بالنسبة لمهام الوضعية، فإنه يدمج تقدير الاحتمالية اللوغاريتمية المتبقية (Residual Log-Likelihood Estimation)، مما يحسن كيفية نمذجة عدم اليقين في النقاط الرئيسية. معاً، يمكن أن تؤدي هذه التغييرات إلى تقارب أسرع وتنبؤات أكثر استقراراً للنقاط الرئيسية، خاصة في المشاهد المعقدة أو المحجوبة جزئياً.

باختصار، أسس YOLOv8-pose خط أساس قوياً ومتعدد الاستخدامات. ويعمل YOLO26-pose على تنقيح ذلك الخط الأساسي بكفاءة تدريب محسنة، وتعامل أفضل مع الانسداد، ومرونة أكبر لتطبيقات الوضعية غير البشرية الواقعية.

Link to this sectionYOLO26-pose مقابل Ultralytics YOLO11-pose: ما الذي تحسّن؟#

يعتمد Ultralytics YOLO11 على Ultralytics YOLOv8 من خلال تنقيح طبقات العمود الفقري (backbone) واستخراج الميزات. لقد قلل من عدد عمليات الفاصلة العائمة (FLOPs)، وحسّن كفاءة المعلمات، وقدم دقة mAP أعلى مع الحفاظ على أداء قوي في الوقت الفعلي. بالنسبة لمهام الوضعية، كان هذا يعني دقة أفضل للنقاط الرئيسية مع بنية أخف وزناً.

يستمر YOLO26-pose في ذلك التقدم مع تحول معماري أكثر جوهرية. ببساطة، قام YOLO11 بتنقيح كفاءة ودقة YOLOv8، ويعتمد YOLO26 على ذلك الأساس مع تحديثات معمارية وتدريبية تهدف إلى تقارب أسرع، واستنتاج أكثر استقراراً، ودقة وضعية محسنة في السيناريوهات المعقدة.

Link to this sectionلماذا يجب أن تبدأ في استخدام نموذج YOLO26 لتقدير الوضعية؟#

بينما تستكشف الاختلافات بين نماذج Ultralytics YOLO، قد تتساءل عما إذا كنت ستنتقل إلى YOLO26-pose.

الإجابة المختصرة هي أنه ترقية سهلة. إذا كنت تستخدم بالفعل Ultralytics YOLOv8-pose أو Ultralytics YOLO11-pose، فإن الانتقال إلى YOLO26-pose يعني عادةً مجرد تغيير إصدار النموذج، وليس إعادة بناء خط المعالجة الخاص بك.

يمكنك الاستفادة من دعم أفضل للنقاط الرئيسية غير البشرية، وتقارب أسرع أثناء التدريب، وتحسين التعامل مع النقاط المحجوبة، كل ذلك مع البقاء في نفس إطار عمل Ultralytics. بالنسبة لمعظم مشاريع الوضعية الجديدة والحالية، يعد الانتقال إلى YOLO26-pose طريقة مباشرة للحصول على تلك التحسينات بأقل قدر من الاحتكاك.

علاوة على ذلك، يتم دعم YOLO26-pose بالكامل ضمن حزمة Ultralytics Python، والتي تم بناؤها على PyTorch وتجعل التدريب والتحقق والنشر أمراً بسيطاً. يمكن تصدير النماذج إلى تنسيقات مثل ONNX، وTensorRT، وOpenVINO، وCoreML، وTFLite، مما يسهل النشر عبر وحدات معالجة الرسومات (GPUs)، ووحدات المعالجة المركزية (CPUs)، وأجهزة الحافة (edge devices) دون تغيير سير العمل العام الخاص بك.

Link to this sectionأبرز النقاط#

يجعل Ultralytics YOLO26-pose تقدير الوضعية أكثر مرونة وموثوقية، خاصة عند العمل مع نقاط رئيسية غير بشرية أو مشاهد معقدة. إنه يتدرب بشكل أسرع، ويتعامل مع الانسداد بشكل أفضل، ويقدم نتائج أكثر اتساقاً عبر مجموعات بيانات مختلفة. بالنسبة للفرق التي تستخدم بالفعل نماذج Ultralytics YOLO للوضعية، يقدم YOLO26 تحسينات واضحة دون تغيير سير العمل الحالي.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفضل بزيارة مجتمعنا ومستودع GitHub. استكشف صفحات الحلول الخاصة بنا للتعرف على الذكاء الاصطناعي في الروبوتات ورؤية الحاسوب في الزراعة. اكتشف خيارات الترخيص الخاصة بنا وابدأ في البناء باستخدام رؤية الحاسوب اليوم!