Ultralytics YOLO26 مقابل نماذج Ultralytics YOLO الأخرى لتقدير الوضعيات

عندما تنظر إلى وضعية شخص ما، يسهل ملاحظة ما إذا كان منحنِي الظهر أو مائلًا إلى الأمام أو واقفًا باستقامة. ويمكن للبشر أن يفهموا بسرعة كيفية ارتباط أجزاء الجسم بعضها ببعض.

وهذا جزء أصيل من طريقة تفسيرنا للحركة ولغة الجسد في حياتنا اليومية. أما بالنسبة إلى الآلات، فليس هذا النوع من الفهم البصري تلقائيًا. إذ يتطلب تعليم النظام التعرف على الحركة والبنية تقنيات متقدمة في التعلم العميق والرؤية الحاسوبية تمكّنه من تفسير الصور بطريقة ذات معنى.

ويُعد تقدير الوضعية على وجه الخصوص تقنيةً للذكاء الاصطناعي للرؤية تمكّن نموذج الرؤية الحاسوبية من بناء فهم مماثل. فبدلًا من الاكتفاء باكتشاف جسم في صورة، يتنبأ النموذج بنقاط مفتاحية تمثل معالم بنيوية مهمة.

قد تمثل هذه النقاط المفتاحية مفاصل الجسم أو أطراف الحيوانات أو مكونات الآلات، أو حتى نقاطًا ثابتة مثل زوايا الملعب. ومن خلال تحديد هذه النقاط وتتبعها، يستطيع النظام فهم الموضع والمحاذاة والحركة بطريقة منظمة وقابلة للقياس.

مع تطبيق تقدير الوضعية على مزيد من السيناريوهات الواقعية، يتعين على النماذج التعامل بفاعلية أكبر مع النقاط المفتاحية غير البشرية والمشاهد المعقدة ومجموعات البيانات المخصصة. فعلى سبيل المثال، تدعم نماذج حديثة جدًا مثل Ultralytics YOLO26 مهام الرؤية الحاسوبية، مثل تقدير الوضعية، وتطوّر نماذج YOLO السابقة لتقدير الوضعية من خلال تحسينات معمارية وتدريبية تهدف إلى تعزيز المرونة والأداء العام.

الشكل 1. مثال على تقدير الوضعية باستخدام YOLO (المصدر)

في هذه المقالة، سنقارن YOLO26-pose بنماذج Ultralytics YOLO السابقة لتقدير الوضعية، ونستكشف كيف يحسّن المرونة وسرعة التقارب والأداء في المشاهد المعقدة. لنبدأ!

ما تقدير الوضعيات؟#

قبل الخوض في مقارنة نماذج Ultralytics YOLO لتقدير الوضعية، دعونا نلقِ نظرة أقرب على المقصود فعليًا بتقدير الوضعية في سياق الرؤية الحاسوبية.

تقدير الوضعية تقنية تُستخدم لاكتشاف نقاط مفتاحية محددة في صورة أو إطار فيديو وتتبعها. ويمكن أن تمثل هذه النقاط معالم بنيوية مهمة، مثل مفاصل جسم الإنسان أو أطراف حيوان أو مكونات آلة أو نقاط مرجعية ثابتة في مشهد ما.

الشكل 2. تقدير وضعيات العاملين باستخدام تقدير الوضعية البشرية (المصدر)

من خلال تحديد إحداثيات هذه النقاط، يستطيع النموذج فهم موضع الجسم وكيفية تحركه بمرور الوقت. وعلى خلاف تصنيف الصور، الذي يسند تسمية واحدة إلى الصورة بأكملها، أو نماذج اكتشاف الأجسام، التي تركز على رسم مربعات إحاطة حول الأجسام، يقدم تقدير الوضعية معلومات مكانية أكثر تفصيلًا عن البنية والحركة.

نظرة عامة على Ultralytics YOLO26-pose#

يتوفر YOLO26-pose في متغيرات أو أحجام متعددة للنماذج، بما في ذلك الخيارات خفيفة الوزن مثل YOLO26n-pose والنماذج الأكبر مثل YOLO26m-pose وYOLO26l-pose وYOLO26x-pose. وهذا يتيح للفرق اختيار التوازن المناسب بين السرعة والدقة وفقًا للعتاد واحتياجات الأداء.

توفر Ultralytics أيضًا نماذج وضعية مدرّبة مسبقًا على مجموعات بيانات عامة كبيرة مثل مجموعة بيانات COCO، وتحديدًا وسوم COCO-Pose (نقاط COCO المفتاحية) لتقدير وضعية الإنسان، فلا تحتاج إلى البدء من الصفر. وفي معظم الحالات، تضبط الفرق هذه النماذج بدقة على مجموعة بياناتها الخاصة لتكييفها مع نقاط مفتاحية أو تخطيطات أو بيئات معينة.

يتضمن ذلك عادةً إعداد ملفات وسوم مخصصة تحدد إحداثيات النقاط المفتاحية وتسميات الفئات بتنسيق منظم. وتربط هذه الوسوم النقاط المفتاحية بإحداثيات بكسل محددة في كل صورة، مما يتيح للنموذج تعلم العلاقات المكانية الدقيقة أثناء التدريب.

يؤدي استخدام النماذج المدرّبة مسبقًا إلى تسريع التدريب وتقليل متطلبات البيانات والمساعدة على نقل المشاريع إلى بيئة الإنتاج بكفاءة أكبر.

تطبيقات واقعية لتقدير وضعية الإنسان#

إليك لمحة عن بعض حالات الاستخدام الواقعية التي يؤدي فيها تقدير الوضعية دورًا مهمًا:

• الرعاية الصحية وإعادة التأهيل: يمكن للأطباء استخدام نماذج الوضعية لتقييم وضعية الجسم ومراقبة التقدم في التعافي وتحليل أنماط الحركة أثناء العلاج الطبيعي.
• الأنظمة المستقلة: يمكن للطائرات المسيّرة والكاميرات الذكية استخدام معلومات الوضعية لفهم اتجاه الأجسام وحركتها على نحو أفضل في المشاهد الديناميكية.
• السلامة في مكان العمل: يمكن للمؤسسات مراقبة وضعية الجسم والحركات المتكررة للمساعدة على تحديد مخاطر السلامة المحتملة.
• اللياقة البدنية والتدريب الشخصي: تستخدم تطبيقات اللياقة البدنية تقدير الوضعية لتتبع أداء التمارين وعدّ التكرارات وتقديم ملاحظات آنية حول الوضعية والحركة أثناء دروس اللياقة البدنية.

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

استكشاف دعم Ultralytics YOLO26 لتقدير الوضعية#

يرتكز Ultralytics YOLO26 على نماذج Ultralytics YOLO السابقة، مع تحديثات تهدف إلى جعل التدريب والنشر أكثر عملية.

مثل الإصدارات السابقة، يدعم هذا النموذج تقدير الوضعية ضمن إطار عمل موحد. ويتمثل الاختلاف الرئيسي في تصميم Ultralytics YOLO26 ليكون أكثر مرونة واستقرارًا في نطاق أوسع من حالات الاستخدام الواقعية.

الشكل 4. قياس أداء YOLO26 (المصدر)

تأثرت نماذج Ultralytics YOLO السابقة لتقدير الوضعية إلى حد كبير بـمجموعات بيانات الوضعية البشرية، ما يعني أن أجزاءً من الأساليب القديمة كانت محسّنة وفقًا لبنية مفاصل الإنسان. ويزيل YOLO26 هذه الافتراضات الخاصة بالبشر.

ونتيجة لذلك، أصبح أنسب للنقاط المفتاحية غير البشرية، مثل اكتشاف زوايا ملعب التنس أو غيرها من المعالم البنيوية المخصصة. وهذا مهم لأن نماذج Ultralytics YOLO26-pose المدرّبة مسبقًا والجاهزة للاستخدام تُدرّب على مجموعات بيانات مثل COCO-pose، وتتنبأ بنقاط الإنسان المفتاحية المحددة في وسوم مجموعة البيانات.

لكن عندما ترغب الفرق في اكتشاف أنواع مختلفة من المعالم، مثل مكونات الآلات أو علامات الملاعب الرياضية أو نقاط البنية التحتية، يحتاج النموذج عادةً إلى ضبط دقيق على مجموعة بيانات مخصصة وُسِمت فيها تلك النقاط المفتاحية المحددة.

بما أن Ultralytics YOLO26 غير مقيد بافتراضات بشأن بنية مفاصل الإنسان، يمكنه التكيف بفاعلية أكبر أثناء الضبط الدقيق. وتتيح هذه المرونة للنموذج تعلم تخطيطات النقاط المفتاحية المخصصة بموثوقية أكبر، مما يؤدي إلى تحسين مقاييس التقييم عند التحقق من صحة النموذج على مجموعات بيانات ذات إعدادات فريدة للنقاط المفتاحية.

صُمم Ultralytics YOLO26-pose أيضًا لتحسين تحديد مواضع النقاط المفتاحية عندما تكون أجزاء الجسم محجوبة جزئيًا أو تظهر بحجم صغير جدًا. وفي المشاهد الواقعية التي تشمل أهدافًا بعيدة أو لقطات من طائرات مسيّرة أو حالات الأجسام الصغيرة، قد يؤدي ذلك إلى تنبؤات أدق بالنقاط المفتاحية مقارنةً بنماذج الوضعية السابقة.

ومن التحديثات المهمة الأخرى تحسين صياغة دالة الخسارة المستخدمة أثناء التدريب. إذ تحدد دالة الخسارة كيفية تصحيح النموذج لأخطائه أثناء التعلم.

فيما يتعلق بـ Ultralytics YOLO26-pose، تُعد هذه العملية أكثر فاعلية، إذ تساعد النموذج على التعلّم بسرعة أكبر وتحقيق دقة عالية في عدد أقل من العصور التدريبية، حيث يشير العصر التدريبي إلى مرور كامل واحد على مجموعة بيانات التدريب.

بوجه عام، يستند YOLO26-pose إلى نماذج Ultralytics YOLO السابقة لتقدير الوضعيات، مع تحسينات أوضح في دعم النقاط المفتاحية غير البشرية وتقارب التدريب، مع الحفاظ على سير العمل المألوف نفسه.

مقارنة YOLO26-pose بـ Ultralytics YOLOv5#

صُممت أقدم إصدارات نماذج Ultralytics YOLO، Ultralytics YOLOv5، أساسًا لاكتشاف الأجسام. وعلى الرغم من أن YOLOv5 توسّع لاحقًا لدعم تجزئة الكائنات، فإنه لا يتضمن رأسًا أصليًا ومتخصصًا لتقدير الوضعيات ضمن إطار عمل Ultralytics الرسمي.

اعتمدت الفرق التي احتاجت إلى اكتشاف النقاط المفتاحية عادةً على تطبيقات منفصلة أو تعديلات مخصصة. ويتضمن Ultralytics YOLO26 تقدير الوضعيات بوصفه مهمة مدمجة، مع رأس معماري مخصص صُمم خصيصًا للتنبؤ بالنقاط المفتاحية.

وهذا يعني إمكانية تدريب نماذج Ultralytics YOLO26-pose والتحقق من صحتها ونشرها ضمن سير العمل الموحد نفسه المستخدم للاكتشاف والتجزئة. وبالنسبة إلى المشاريع التي تركز على اكتشاف النقاط المفتاحية المنظَّمة، يوفر YOLO26 دعمًا أصليًا لتقدير الوضعيات وبنية مخصصة للمهمة، وهما ميزتان لا يوفرهما YOLOv5 مباشرةً.

الفروق الرئيسية: YOLO26-pose مقابل Ultralytics YOLOv8-pose#

قدّم Ultralytics YOLOv8 تقدير الوضعيات الأصلي ضمن إطار عمل Ultralytics الموحد، ما سهّل تدريب نماذج النقاط المفتاحية ونشرها باستخدام سير العمل نفسه المتبع للاكتشاف والتجزئة. ويعتمد على مسار تقليدي للمعالجة اللاحقة يتضمن قمع الصناديق غير القصوى (NMS)، ويستخدم صيغ خسارة أقدم لانحدار الصناديق المحيطة والتدريب.

يستند Ultralytics YOLO26 إلى هذا الأساس من خلال تحديثات معمارية وتدريبية تؤثر مباشرةً في تقدير الوضعيات. ويتمثل أحد أبرز الفروق في التصميم الشامل. إذ يلغي YOLO26 الحاجة إلى NMS خارجي أثناء الاستدلال، ما يبسّط النشر ويحسّن اتساق زمن الاستجابة، لا سيما على وحدات CPU والأجهزة الطرفية.

ويتمثل تحسين رئيسي آخر في منهجية التدريب. إذ يقدّم Ultralytics YOLO26 مُحسِّن MuSGD إلى جانب استراتيجيات خسارة محدّثة. وفي مهام تقدير الوضعيات، يدمج تقدير الاحتمالية اللوغاريتمية المتبقية، ما يحسّن نمذجة عدم اليقين في النقاط المفتاحية. ويمكن لهذه التغييرات مجتمعةً أن تؤدي إلى تقارب أسرع وتنبؤات أكثر استقرارًا بالنقاط المفتاحية، لا سيما في المشاهد المعقدة أو المحجوبة جزئيًا.

باختصار، أرسى Ultralytics YOLOv8-pose خط أساس قويًا ومتعدد الاستخدامات. ويُحسّن YOLO26-pose هذا الأساس من خلال كفاءة تدريب أفضل، وتعامل محسّن مع الحجب، ومرونة أكبر لتطبيقات تقدير الوضعيات غير البشرية في العالم الواقعي.

YOLO26-pose مقابل Ultralytics YOLO11-pose: ما التحسينات؟#

يستند Ultralytics YOLO11 إلى Ultralytics YOLOv8 عبر تحسين العمود الفقري وطبقات استخراج السمات. وقد قلّل عدد عمليات FLOPs، وحسّن كفاءة المعلمات، وحقق mAP أعلى مع الحفاظ على أداء قوي في الزمن الحقيقي. وفي مهام تقدير الوضعيات، أتاح ذلك دقة أفضل للنقاط المفتاحية ضمن بنية أخف.

يواصل YOLO26-pose هذا التطور بتحول معماري أكثر جوهرية. وببساطة، حسّن YOLO11 كفاءة YOLOv8 ودقته، بينما يبني YOLO26 على ذلك الأساس بتحديثات معمارية وتدريبية تهدف إلى تقارب أسرع، واستدلال أكثر استقرارًا، ودقة أفضل لتقدير الوضعيات في السيناريوهات المعقدة.

لماذا ينبغي أن تبدأ باستخدام نموذج Ultralytics YOLO26 لتقدير الوضعيات؟#

أثناء استكشافك للفروق بين نماذج Ultralytics YOLO، قد تتساءل عما إذا كان ينبغي الانتقال إلى YOLO26-pose.

الإجابة المختصرة هي أن الترقية سهلة. فإذا كنت تستخدم بالفعل Ultralytics YOLOv8-pose أو Ultralytics YOLO11-pose، فإن الانتقال إلى YOLO26-pose لا يتطلب عادةً سوى تغيير إصدار النموذج، لا إعادة بناء مسار العمل.

يمكنك الاستفادة من دعم أفضل للنقاط المفتاحية غير البشرية، وتقارب أسرع أثناء التدريب، وتعامل محسّن مع النقاط المحجوبة، مع الاستمرار في استخدام إطار عمل Ultralytics نفسه. وبالنسبة إلى معظم مشاريع تقدير الوضعيات الجديدة والقائمة، يُعد الانتقال إلى YOLO26-pose طريقة مباشرة للحصول على هذه التحسينات بأقل قدر من التعقيد.

إضافةً إلى ذلك، يحظى YOLO26-pose بدعم كامل ضمن حزمة Python من Ultralytics، المبنية على PyTorch، ما يسهّل التدريب والتحقق من الصحة والنشر. ويمكن تصدير النماذج إلى تنسيقات مثل ONNX وTensorRT وOpenVINO وCoreML وTFLite، ما يسهّل نشرها على وحدات GPU ووحدات CPU والأجهزة الطرفية دون تغيير سير العمل العام.

أبرز النقاط#

يجعل Ultralytics YOLO26-pose تقدير الوضعيات أكثر مرونة وموثوقية، خصوصًا عند التعامل مع النقاط المفتاحية غير البشرية أو المشاهد المعقدة. فهو يتدرب بسرعة أكبر، ويتعامل مع الحجب بصورة أفضل، ويقدم نتائج أكثر اتساقًا عبر مجموعات البيانات المختلفة. وبالنسبة إلى الفرق التي تستخدم بالفعل نماذج Ultralytics YOLO لتقدير الوضعيات، يقدم YOLO26 تحسينات واضحة دون تغيير سير العمل القائم.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ اطّلع على مجتمعنا ومستودعنا على GitHub. استكشف صفحات حلولنا للتعرّف على الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الزراعة. تعرّف على خيارات الترخيص لدينا وابدأ اليوم في البناء باستخدام الرؤية الحاسوبية!