Ultralytics YOLO26 مقابل نماذج Ultralytics YOLO الأخرى لتقدير الوضعيات

عندما تنظر إلى وضعية شخص ما، فمن السهل ملاحظة ما إذا كان منحنياً أو يميل إلى الأمام أو يقف مستقيماً. يستطيع البشر فهم كيفية ترابط أجزاء الجسم المختلفة بسرعة.

يشكّل ذلك جزءاً فطرياً من طريقة تفسيرنا للحركة ولغة الجسد في الحياة اليومية. أما بالنسبة إلى الآلات، فإن هذا النوع من الفهم البصري ليس تلقائياً. ويتطلب تعليم نظام التعرّف على الحركة والبنية تقنيات متقدمة في التعلم العميق والرؤية الحاسوبية تتيح له تفسير الصور بطريقة ذات معنى.

وعلى وجه الخصوص، فإن تقدير الوضعية هو تقنية في الذكاء الاصطناعي للرؤية تتيح لنموذج الرؤية الحاسوبية بناء فهم مماثل. فبدلاً من اكتشاف كائن في صورة فحسب، يتنبأ النموذج بنقاط رئيسية تمثل معالم بنيوية مهمة.

قد تمثل هذه النقاط الرئيسية مفاصل الجسم أو أطراف الحيوانات أو مكوّنات الآلات أو حتى نقاطاً 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 مع النقاط الرئيسية غير البشرية والمشاهد المعقدة ومجموعات البيانات المخصصة بفاعلية أكبر. فعلى سبيل المثال، تدعم النماذج المتقدمة مثل Ultralytics YOLO26 مهام الرؤية الحاسوبية مثل تقدير الوضعية، وتبني على نماذج YOLO السابقة للوضعية مع تحسينات معمارية وتدريبية مصممة لتعزيز المرونة والأداء العام.

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

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

ما هو تقدير الوضعيات؟#

قبل أن نتعمق في مقارنة نماذج Ultralytics YOLO للوضعية، دعونا نلقِ نظرة أقرب على معنى تقدير الوضعية فعلياً في سياق الرؤية الحاسوبية.

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

الشكل 2. تقدير وضعية العمال باستخدام تقدير الوضعية البشرية (المصدر)

من خلال تحديد إحداثيات هذه النقاط، يستطيع النموذج فهم كيفية تموضع الكائن وكيفية حركته بمرور الوقت. وعلى خلاف تصنيف الصور، الذي يعيّن تسمية واحدة لصورة كاملة، أو نماذج اكتشاف الكائنات، التي تركز على رسم مربعات إحاطة حول الكائنات، يوفر تقدير الوضعية معلومات مكانية أكثر تفصيلاً عن البنية والحركة.

نظرة عامة على Ultralytics YOLO26-pose#

يتوفر YOLO26-pose في عدة متغيرات أو أحجام للنماذج، بما في ذلك الخيارات خفيفة الوزن مثل YOLO26n-pose والنماذج الأكبر مثل YOLO26m-pose وYOLO26l-pose وYOLO26x-pose. ويتيح ذلك للفرق اختيار التوازن المناسب بين السرعة والدقة وفقاً لأجهزتها واحتياجات الأداء.

توفر Ultralytics أيضاً نماذج وضعية مدرّبة مسبقاً على مجموعات بيانات عامة وكبيرة مثل مجموعة بيانات COCO، وتحديداً تعليقات COCO-Pose (النقاط الرئيسية في COCO) لتقدير الوضعية البشرية، لذا لا يتعين عليك البدء من الصفر. وفي معظم الحالات، تضبط الفرق هذه النماذج بدقة على مجموعة بياناتها الخاصة لتكييفها مع نقاط رئيسية أو تخطيطات أو بيئات محددة.

ويتضمن ذلك عادةً إعداد ملفات تعليقات مخصصة تحدد إحداثيات النقاط الرئيسية وتسميات الفئات بتنسيق منظم. وتربط هذه التعليقات النقاط الرئيسية بإحداثيات بكسل محددة داخل كل صورة، مما يتيح للنموذج تعلّم العلاقات المكانية الدقيقة أثناء التدريب.

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

التطبيقات الواقعية لتقدير الوضعية البشرية#

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

• الرعاية الصحية وإعادة التأهيل: يمكن للأطباء استخدام نماذج الوضعية لتقييم وضعية الجسم ومراقبة تقدم التعافي وتحليل أنماط الحركة أثناء العلاج الطبيعي.
• الأنظمة المستقلة: يمكن للطائرات المسيّرة والكاميرات الذكية استخدام معلومات الوضعية لفهم اتجاه الكائنات وحركتها بصورة 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 أسلوب أداء التمارين وعدّ التكرارات وتقديم ملاحظات آنية حول الوضعية والحركة المُحافَظ عليهما أثناء دروس اللياقة البدنية.

الشكل 3. يمكن لتقدير الوضعية المساعدة على تتبع النقاط الرئيسية في الجسم أثناء الحركة الرياضية. (المصدر)

استكشاف دعم Ultralytics YOLO26 لتقدير الوضعية#

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

مثل الإصدارات السابقة، يدعم تقدير الوضعية كجزء من إطار عمل موحّد. ويتمثل الاختلاف الرئيسي في أن Ultralytics YOLO26 مصمم ليكون أكثر مرونة واستقراراً عبر نطاق أوسع من حالات الاستخدام الواقعية.

الشكل 4. قياس أداء YOLO26 (المصدر)

كانت نماذج Ultralytics YOLO السابقة للوضعية متأثرة إلى حد كبير بـمجموعات بيانات الوضعية البشرية، ما يعني أن أجزاء من الأساليب الأقدم كانت محسّنة حول بنيات المفاصل البشرية. يزيل YOLO26 هذه الافتراضات الخاصة بالبشر.

ونتيجةً لذلك، فهو أنسب للنقاط الرئيسية غير البشرية، مثل اكتشاف زوايا ملعب التنس أو غيرها من المعالم البنيوية المخصصة. ويكتسب هذا أهمية لأن نماذج Ultralytics YOLO26-pose المدرّبة مسبقاً والجاهزة للاستخدام تُدرّب 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 مكوّنات الآلات أو علامات الملاعب الرياضية أو نقاط البنية التحتية، يحتاج النموذج عادةً إلى ضبط دقيق على مجموعة بيانات مخصصة تكون فيها تلك النقاط الرئيسية المحددة مشروحة.

بما أن Ultralytics YOLO26 غير مرتبط بافتراضات حول بنيات المفاصل البشرية، فإنه يستطيع التكيف بفاعلية أكبر أثناء الضبط الدقيق. وتتيح هذه المرونة للنموذج تعلّم تخطيطات النقاط الرئيسية المخصصة بموثوقية أكبر، مما يؤدي إلى تحسين مقاييس التقييم عند التحقق من مجموعات البيانات ذات تكوينات النقاط الرئيسية الفريدة.

صُمم Ultralytics YOLO26-pose أيضاً لتحسين تحديد مواضع النقاط الرئيسية عندما تكون أجزاء من الكائن محجوبة جزئياً أو تظهر بمقياس صغير جداً. وفي المشاهد الواقعية التي تتضمن أهدافاً بعيدة أو لقطات من طائرات مسيّرة أو سيناريوهات ذات كائنات صغيرة، يمكن أن يؤدي ذلك إلى تنبؤات أكثر دقة بالنقاط الرئيسية مقارنةً بنماذج الوضعية السابقة.

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

أما في Ultralytics YOLO26-pose، فهذه العملية أكثر فاعلية، مما يساعد النموذج على التعلم بسرعة أكبر والوصول إلى دقة قوية في عدد أقل من العصور التدريبية، حيث يشير العصر التدريبي إلى مرور كامل واحد عبر مجموعة بيانات التدريب.

بوجه عام، يبني YOLO26-pose على نماذج Ultralytics YOLO السابقة للوضعية مع تحسينات أوضح في دعم النقاط الرئيسية غير البشرية وتقارب التدريب، مع الحفاظ على سير العمل المألوف نفسه.

مقارنة YOLO26-pose بـ Ultralytics YOLOv5#

صُمم الإصدار الأقدم من نماذج Ultralytics YOLO، وهو Ultralytics YOLOv5، أساساً لاكتشاف الكائنات. وعلى الرغم من أن YOLOv5 توسع لاحقاً لدعم تقسيم المثيلات، فإنه لا يتضمن رأساً أصلياً ومتخصصاً لتقدير الوضعية ضمن إطار عمل Ultralytics الرسمي.

كانت الفرق التي تحتاج إلى اكتشاف النقاط الرئيسية تعتمد عادةً على تطبيقات منفصلة أو تعديلات مخصصة. ويتضمن Ultralytics YOLO26 تقدير الوضعية بوصفه مهمة مدمجة، مع رأس معماري مخصص مصمم تحديداً للتنبؤ بالنقاط الرئيسية.

وهذا يعني إمكانية تدريب نماذج Ultralytics YOLO26-pose والتحقق منها ونشرها ضمن سير العمل الموحّد نفسه المستخدم للاكتشاف والتقسيم. وبالنسبة إلى المشاريع التي تركز على اكتشاف النقاط الرئيسية المنظمة، يوفر YOLO26 دعماً أصلياً للوضعية وبنية خاصة بالمهمة لا يقدمها YOLOv5 جاهزةً للاستخدام.

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

قدّم Ultralytics YOLOv8 تقدير الوضعية الأصلي ضمن إطار عمل Ultralytics الموحّد، مما سهّل تدريب نماذج النقاط الرئيسية ونشرها باستخدام سير العمل نفسه المستخدم للاكتشاف والتقسيم. ويعتمد على مسار تقليدي للمعالجة اللاحقة مع الكبت غير الأقصى (NMS)، ويستخدم صيغ خسارة سابقة لانحدار مربعات الإحاطة والتدريب.

يبني Ultralytics YOLO26 على هذه الأساسيات من خلال تحديثات معمارية وتدريبية تؤثر مباشرةً في تقدير الوضعية. ويتمثل أحد الاختلافات الرئيسية في التصميم الشامل من البداية إلى النهاية. إذ يلغي YOLO26 الحاجة إلى استخدام NMS خارجياً أثناء الاستدلال، مما يبسّط النشر ويحسّن اتساق زمن الاستجابة، لا سيما على وحدات CPU والأجهزة الطرفية.

ويتمثل تحسين رئيسي آخر في منهجية التدريب. يقدّم Ultralytics YOLO26 مُحسِّن MuSGD إلى جانب استراتيجيات خسارة محدّثة. وبالنسبة إلى مهام الوضعية، يدمج تقدير الاحتمالية اللوغاريتمية المتبقية، مما يحسّن طريقة نمذجة عدم اليقين في النقاط الرئيسية. ويمكن أن تؤدي هذه التغييرات مجتمعةً إلى تقارب أسرع وتنبؤات أكثر استقراراً بالنقاط الرئيسية، ولا سيما في المشاهد المعقدة أو المحجوبة جزئياً.

باختصار، أرسى Ultralytics YOLOv8-pose أساساً قوياً ومتعدد الاستخدامات. ويصقل YOLO26-pose ذلك الأساس من خلال كفاءة تدريب محسّنة وتعامل أفضل مع الحجب ومرونة أكبر لتطبيقات الوضعية الواقعية غير البشرية.

YOLO26-pose مقابل Ultralytics YOLO11-pose: ما الذي تحسّن؟#

يبني Ultralytics YOLO11 على Ultralytics YOLOv8 من خلال تحسين العمود الفقري وطبقات استخراج الميزات. وقد خفّض FLOPs وحسّن كفاءة المعلمات وقدم mAP أعلى مع الحفاظ على أداء قوي في الوقت الفعلي. وبالنسبة إلى مهام الوضعية، عنى ذلك دقة أفضل للنقاط الرئيسية مع بنية أخف.

يواصل YOLO26-pose هذا التطور مع تحول معماري أكثر جوهرية. وببساطة، حسّن YOLO11 كفاءة YOLOv8 ودقته، ويبني YOLO26 على ذلك الأساس من خلال تحديثات معمارية وتدريبية تهدف إلى تقارب أسرع واستدلال أكثر استقراراً ودقة أفضل للوضعية في السيناريوهات المعقدة.

لماذا ينبغي لك البدء باستخدام نموذج Ultralytics YOLO26 لتقدير الوضعية؟#

أثناء استكشافك للاختلافات بين نماذج Ultralytics YOLO، قد تتساءل عما إذا كان ينبغي لك التبديل إلى YOLO26-pose.

الإجابة المختصرة هي أنه ترقية سهلة. فإذا كنت تستخدم Ultralytics YOLOv8-pose أو Ultralytics YOLO11-pose بالفعل، فإن التبديل إلى YOLO26-pose يعني عادةً تغيير إصدار النموذج، لا إعادة بناء مسار العمل.

يمكنك الاستفادة من دعم أفضل للنقاط الرئيسية غير البشرية، وتقارب أسرع أثناء التدريب، وتعامل محسّن مع النقاط المحجوبة، مع البقاء ضمن إطار عمل Ultralytics نفسه. وبالنسبة إلى معظم مشاريع الوضعية الجديدة والقائمة، فإن الانتقال إلى YOLO26-pose طريقة مباشرة للحصول على هذه التحسينات بأقل قدر من التعقيد.

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

أهم النقاط المستخلصة#

يجعل Ultralytics YOLO26-pose تقدير الوضعية أكثر مرونة وموثوقية، لا سيما عند التعامل مع النقاط الرئيسية غير البشرية أو المشاهد المعقدة. فهو يتدرب بسرعة أكبر، ويتعامل مع الحجب بصورة أفضل، ويقدم نتائج أكثر اتساقاً عبر مجموعات البيانات المختلفة. وبالنسبة إلى الفرق التي تستخدم نماذج Ultralytics YOLO للوضعية بالفعل، يوفر YOLO26 تحسينات واضحة دون تغيير سير العمل الحالي.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفقّد مجتمعنا ومستودع GitHub الخاص بنا. واستكشف صفحات حلولنا للتعرّف على الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الزراعة. واكتشف خيارات الترخيص لدينا وابدأ اليوم في البناء باستخدام الرؤية الحاسوبية!