Ultralytics مقابلYOLO Ultralytics YOLO الأخرى لتقدير الوضع

عندما تنظر إلى وضعية شخص ما، من السهل أن تلاحظ ما إذا كان منحنيًا أو منحنيًا إلى الأمام أو واقفًا بشكل مستقيم. يمكن للبشر أن يفهموا بسرعة كيفية ارتباط أجزاء الجسم المختلفة ببعضها البعض. 

إنه جزء لا يتجزأ من طريقة تفسيرنا للحركة ولغة الجسد في الحياة اليومية. لكن بالنسبة للآلات، هذا النوع من الفهم البصري ليس تلقائياً. يتطلب تعليم النظام التعرف على الحركة والبنية تقنيات متقدمة في التعلم العميق والرؤية الحاسوبية تسمح له بتفسير الصور بطريقة مفيدة.

على وجه الخصوص، يعد تقدير الوضع تقنية ذكاء اصطناعي بصرية تتيح لنموذج الرؤية الحاسوبية بناء فهم مماثل. بدلاً من مجرد اكتشاف كائن في صورة، يتنبأ النموذج بالنقاط الرئيسية التي تمثل معالم هيكلية مهمة. 

يمكن أن تتوافق هذه النقاط الرئيسية مع مفاصل الجسم أو أطراف الحيوانات أو مكونات الآلات أو حتى النقاط الثابتة مثل زوايا الملعب. من خلال تحديد هذه النقاط وتتبعها، يمكن للنظام فهم الموقع والمحاذاة والحركة بطريقة منظمة وقابلة للقياس.

نظرًا لتطبيق تقدير الوضع على المزيد من السيناريوهات الواقعية، يتعين على النماذج التعامل مع النقاط الرئيسية غير البشرية والمشاهد المعقدة ومجموعات البيانات المخصصة بشكل أكثر فعالية. على سبيل المثال، تدعم النماذج الحديثة مثل Ultralytics مهام الرؤية الحاسوبية مثل تقدير الوضع وتستند إلى YOLO السابقة مع تحسينات في الهندسة والتدريب مصممة لتعزيز المرونة والأداء العام.

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

ما هو تقدير الوضعية؟

قبل أن نبدأ في مقارنة Ultralytics YOLO ، دعونا نلقي نظرة فاحصة على ما يعنيه تقدير الوضع فعليًا في سياق الرؤية الحاسوبية.

تقدير الوضع هو تقنية تستخدم detect نقاط track في صورة أو إطار فيديو track . يمكن أن تمثل هذه النقاط معالم هيكلية مهمة، مثل مفاصل الجسم البشري أو أطراف الحيوانات أو مكونات الآلات أو نقاط مرجعية ثابتة في مشهد ما. 

من خلال تحديد إحداثيات هذه النقاط، يمكن للنموذج فهم كيفية وضع الكائن وكيفية تحركه بمرور الوقت. على عكس تصنيف الصور، الذي يعين علامة واحدة للصورة بأكملها، أو نماذج الكشف عن الكائنات، التي تركز على رسم مربعات حدودية حول الكائنات، يوفر تقدير الوضع معلومات مكانية أكثر تفصيلاً عن الهيكل والحركة.

نظرة عامة على YOLO26-pose

يتوفر YOLO26-pose في عدة نماذج أو أحجام مختلفة، بما في ذلك خيارات خفيفة الوزن مثل YOLO26n-pose ونماذج أكبر حجمًا مثل YOLO26m-pose و YOLO26l-pose و YOLO26x-pose. وهذا يتيح للفرق اختيار التوازن المناسب بين السرعة والدقة وفقًا لاحتياجاتهم من الأجهزة والأداء.

توفر Ultralytics نماذج أوضاع مسبقة التدريب تم تدريبها على مجموعات بيانات كبيرة وعامة مثل COCO وتحديدًا تعليقات COCO(COCO ) لتقدير أوضاع الإنسان، بحيث لا تضطر إلى البدء من الصفر. في معظم الحالات، تقوم الفرق بضبط هذه النماذج على مجموعات البيانات الخاصة بها لتكييفها مع نقاط رئيسية أو تخطيطات أو بيئات محددة. 

يتضمن ذلك عادةً إعداد ملفات تعليقات مخصصة تحدد إحداثيات النقاط الرئيسية وتسميات الفئات في تنسيق منظم. تعمل هذه التعليقات على ربط النقاط الرئيسية بإحداثيات بكسل محددة داخل كل صورة، مما يسمح للنموذج بتعلم العلاقات المكانية الدقيقة أثناء التدريب.

استخدام النماذج المدربة مسبقًا يجعل التدريب أسرع، ويقلل من متطلبات البيانات، ويساعد على نقل المشاريع إلى مرحلة الإنتاج بشكل أكثر كفاءة. 

تطبيقات واقعية لتقدير وضعية الإنسان

فيما يلي لمحة عن بعض حالات الاستخدام الواقعية التي يلعب فيها تقدير الوضع دورًا مهمًا:

• الرعاية الصحية وإعادة التأهيل: يمكن للأطباء استخدام نماذج الوضع لتقييم الوضع، ومراقبة تقدم التعافي، وتحليل أنماط الحركة أثناء العلاج الطبيعي.
• الأنظمة المستقلة: يمكن للطائرات بدون طيار والكاميرات الذكية استخدام معلومات الوضع لفهم اتجاه الكائنات وحركتها في المشاهد الديناميكية بشكل أفضل.
• السلامة في مكان العمل: يمكن للمؤسسات مراقبة وضعية الجسم والحركات المتكررة للمساعدة في تحديد المخاطر المحتملة على السلامة.
• اللياقة البدنية والتدريب الشخصي: تستخدم تطبيقات اللياقة البدنية تقدير الوضع track شكل track وحساب عدد التكرارات، وتقديم ملاحظات في الوقت الفعلي حول الوضع والحركة التي يتم الحفاظ عليها أثناء دروس اللياقة البدنية.

استكشاف دعم Ultralytics لتقدير الوضع

يعتمد Ultralytics علىYOLO Ultralytics YOLO السابقة مع تحديثات مصممة لجعل التدريب والنشر أكثر عملية. 

مثل الإصدارات السابقة، يدعم تقدير الوضع كجزء من إطار عمل موحد. والفرق الرئيسي هو أن YOLO26 مصمم ليكون أكثر مرونة واستقرارًا عبر نطاق أوسع من حالات الاستخدام في العالم الواقعي.

كانت نماذج Ultralytics YOLO السابقة متأثرة إلى حد كبير بمجموعات بيانات الوضعيات البشرية، مما يعني أن أجزاء من الأساليب القديمة تم تحسينها حول هياكل المفاصل البشرية. يزيل YOLO26 تلك الافتراضات الخاصة بالبشر. 

ونتيجة لذلك، فإنه أكثر ملاءمة للنقاط الرئيسية غير البشرية، مثل الكشف عن زوايا ملعب التنس أو غيرها من المعالم الهيكلية المخصصة. وهذا أمر مهم لأن نماذج YOLO26-pose الجاهزة والمسبقة التدريب يتم تدريبها على مجموعات بيانات مثل COCO وتتنبأ بالنقاط الرئيسية البشرية المحددة في تعليقات مجموعة البيانات. 

ومع ذلك، عندما ترغب الفرق في detect أنواع detect من المعالم، مثل مكونات الآلات أو علامات الملاعب الرياضية أو نقاط البنية التحتية، فإن النموذج يحتاج عادةً إلى ضبطه بدقة على مجموعة بيانات مخصصة يتم فيها توضيح تلك النقاط الرئيسية المحددة.

نظرًا لأن YOLO26 لا يرتبط بافتراضات حول هياكل المفاصل البشرية، فإنه يمكنه التكيف بشكل أكثر فعالية أثناء الضبط الدقيق. تتيح هذه المرونة للنموذج تعلم تخطيطات النقاط الرئيسية المخصصة بشكل أكثر موثوقية، مما يؤدي إلى تحسين مقاييس التقييم عند التحقق من صحة مجموعات البيانات ذات تكوينات النقاط الرئيسية الفريدة.

تم تصميم YOLO26-pose أيضًا لتحسين تحديد مواقع النقاط الرئيسية عندما تكون أجزاء من كائن ما مخفية جزئيًا أو تظهر بمقياس صغير جدًا. في المشاهد الواقعية التي تتضمن أهدافًا بعيدة أو لقطات من طائرات بدون طيار أو سيناريوهات كائنات صغيرة، يمكن أن يؤدي ذلك إلى تنبؤات أكثر دقة للنقاط الرئيسية مقارنة بنماذج الوضع السابقة.

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

عندما يتعلق الأمر بـ YOLO26-pose، فإن هذه العملية تكون أكثر فعالية، مما يساعد النموذج على التعلم بشكل أسرع والوصول إلى دقة عالية في عدد أقل من العصور، حيث تشير العصر إلى مرور كامل واحد عبر مجموعة بيانات التدريب.

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

مقارنة YOLO26-pose بـ Ultralytics YOLOv5

أقدم إصدار منYOLO Ultralytics YOLOv5، تم تصميمه في الأساس لاكتشاف الأجسام. وعلى الرغم من أن YOLOv5 تم توسيعه YOLOv5 لدعم تقسيم الحالات، إلا أنه لا يتضمن رأسًا أصليًا ومتخصصًا لتقدير الوضع ضمن Ultralytics الرسمي. 

كانت الفرق التي تحتاج إلى اكتشاف النقاط الرئيسية تعتمد عادةً على تطبيقات منفصلة أو تعديلات مخصصة. يتضمن Ultralytics تقدير الوضع كمهمة مدمجة، مع رأس معماري مخصص مصمم خصيصًا للتنبؤ بالنقاط الرئيسية. 

وهذا يعني أنه يمكن تدريب نماذج YOLO26-pose والتحقق من صحتها ونشرها ضمن نفس سير العمل الموحد مثل الكشف والتجزئة. بالنسبة للمشاريع التي تركز على الكشف عن النقاط الرئيسية المنظمة، يوفر YOLO26 دعمًا أصليًا للوضع وبنية خاصة بالمهام YOLOv5 يوفرها YOLOv5 بشكل جاهز.

الاختلافات الرئيسية: YOLO26-pose مقابل Ultralytics YOLOv8

Ultralytics YOLOv8 قدم تقدير الوضع الأصلي ضمن Ultralytics الموحد، مما يسهل تدريب ونشر نماذج النقاط الرئيسية باستخدام نفس سير العمل المستخدم في الكشف والتجزئة. يعتمد على خط أنابيب معالجة لاحقة تقليدي مع قمع غير أقصى (NMS) ويستخدم صيغ خسارة سابقة لانحدار وتدريب الصندوق المحدد.

يعتمد YOLO26 على هذا الأساس مع تحديثات معمارية وتدريبية تؤثر بشكل مباشر على تقدير الوضع. أحد الاختلافات الرئيسية هو التصميم الشامل. يزيل YOLO26 الحاجة إلى NMS خارجي NMS الاستدلال، مما يبسط النشر ويحسن اتساق زمن الاستجابة، خاصة على وحدات المعالجة المركزية والأجهزة الطرفية.

تحسين آخر مهم هو في منهجية التدريب. يقدم YOLO26 مُحسِّن MuSGD إلى جانب استراتيجيات خسارة محدثة. بالنسبة لمهام الوضع، فإنه يدمج تقدير الاحتمالية اللوغاريتمية المتبقية، مما يحسن طريقة نمذجة عدم اليقين في النقاط الرئيسية. يمكن أن تؤدي هذه التغييرات مجتمعة إلى تقارب أسرع وتوقعات أكثر استقرارًا للنقاط الرئيسية، خاصة في المشاهد المعقدة أو المغطاة جزئيًا.

باختصار، أنشأ YOLOv8 أساسًا قويًا ومتعدد الاستخدامات. ويحسن YOLO26-pose هذا الأساس من خلال كفاءة تدريب محسنة، ومعالجة أفضل للانسداد، ومرونة أكبر لتطبيقات الوضع غير البشري في العالم الحقيقي.

YOLO26-Pose مقابل Ultralytics YOLO11: ما الذي تم تحسينه؟

Ultralytics YOLO11 يعتمد على Ultralytics YOLOv8 تحسين طبقات الهيكل الأساسي واستخراج الميزات. وقد أدى ذلك إلى تقليل FLOPs وتحسين كفاءة المعلمات وتقديم mAP أعلى mAP الحفاظ على أداء قوي في الوقت الفعلي. بالنسبة لمهام الوضع، يعني ذلك دقة أفضل للنقاط الرئيسية مع بنية أخف.

يواصل YOLO26-pose هذا التقدم من خلال تغيير أساسي في البنية. ببساطة، YOLO11 كفاءة ودقة YOLOv8 ويبني YOLO26 على هذا الأساس من خلال تحديثات في البنية والتدريب تهدف إلى تقارب أسرع واستنتاج أكثر استقرارًا ودقة محسنة في السيناريوهات المعقدة.

لماذا يجب أن تبدأ في استخدام نموذج YOLO26 لتقدير الوضع؟

أثناء استكشاف الاختلافات بينYOLO Ultralytics YOLO قد تتساءل عما إذا كان عليك التبديل إلى YOLO26-pose.

الإجابة المختصرة هي أن الترقية سهلة. إذا كنت تستخدم بالفعل Ultralytics YOLOv8 أو Ultralytics YOLO11 فإن التبديل إلى YOLO26-pose يعني عادةً تغيير إصدار النموذج فقط، وليس إعادة بناء خط الإنتاج.

يمكنك الاستفادة من دعم أفضل للنقاط الرئيسية غير البشرية، وتقارب أسرع أثناء التدريب، ومعالجة محسنة للنقاط المحجوبة، كل ذلك مع البقاء في نفس Ultralytics . بالنسبة لمعظم مشاريع الوضعيات الجديدة والحالية، يعد الانتقال إلى YOLO26-pose طريقة مباشرة للحصول على هذه التحسينات بأقل قدر من الاحتكاك.

علاوة على ذلك، يتم دعم YOLO26-pose بشكل كامل ضمن Python التي تم إنشاؤها على PyTorch التدريب والتحقق والنشر أمرًا بسيطًا. يمكن تصدير النماذج إلى تنسيقات مثل ONNX و TensorRT و OpenVINO و CoreML و TFLite مما يسهل نشرها عبر وحدات معالجة الرسومات (GPU) ووحدات المعالجة المركزية (CPU) والأجهزة الطرفية دون تغيير سير العمل العام.

النقاط الرئيسية

تجعل Ultralytics تقدير الوضع أكثر مرونة وموثوقية، خاصة عند العمل مع نقاط مفتاحية غير بشرية أو مشاهد معقدة. فهي تتدرب بشكل أسرع، وتتعامل مع الحجب بشكل أفضل، وتقدم نتائج أكثر اتساقًا عبر مجموعات البيانات المختلفة. بالنسبة للفرق التي تستخدم بالفعلYOLO Ultralytics YOLO توفر YOLO26 تحسينات واضحة دون تغيير سير العمل الحالي.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفقد مجتمعنا و مستودع GitHub الخاص بنا. استكشف صفحات الحلول الخاصة بنا للتعرف على الذكاء الاصطناعي في مجال الروبوتات و الرؤية الحاسوبية في الزراعة. اكتشف خيارات الترخيص الخاصة بنا وابدأ البناء باستخدام الرؤية الحاسوبية اليوم!