تعرّف على كيفية عمل تقدير الوضعية، وتطبيقاته في العالم الحقيقي، وكيف تمكّن النماذج مثل Ultralytics YOLO11 الآلات من تفسير حركة الجسم ووضعيته.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
تعرّف على كيفية عمل تقدير الوضعية، وتطبيقاته في العالم الحقيقي، وكيف تمكّن النماذج مثل Ultralytics YOLO11 الآلات من تفسير حركة الجسم ووضعيته.
عندما ترى شخصًا مترهلًا أو واقفًا منتصبًا مع إرجاع كتفيه إلى الخلف، فمن الواضح على الفور ما إذا كان لديه وضعية سيئة أو واثقة. لا يحتاج أحد إلى شرح ذلك لك. ذلك لأننا، بمرور الوقت، تعلمنا بشكل طبيعي تفسير لغة الجسد.
من خلال الخبرة والملاحظة، أصبحت أدمغتنا جيدة جدًا في التعرف على وضعية الأشياء المختلفة، بما في ذلك البشر. بفضل التطورات الأخيرة في الذكاء الاصطناعي (AI) و رؤية الكمبيوتر، وهو مجال يمكّن الآلات من تفسير المعلومات المرئية من العالم، بدأت الآلات الآن في تعلم هذه القدرة وتكرارها أيضًا.
تقدير الوضعية هو مهمة رؤية حاسوبية تساعد الآلات على تحديد موضع واتجاه الشخص أو الجسم من خلال النظر إلى الصور أو الفيديو. وهي تفعل ذلك عن طريق تحديد النقاط الرئيسية في الجسم، مثل المفاصل والأطراف، لفهم كيف يتحرك شخص ما، أو حتى شيء ما.
تُستخدم هذه التقنية على نطاق واسع في مجالات مثل اللياقة البدنية والرعاية الصحية والرسوم المتحركة. في بيئات العمل، على سبيل المثال، يمكن استخدامه لمراقبة وضعية الموظف ودعم مبادرات السلامة والعافية. تجعل نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 هذا ممكنًا من خلال تقدير وضعيات الإنسان في الوقت الفعلي.
في هذه المقالة، سوف نلقي نظرة فاحصة على تقدير الوضعية وكيفية عمله، جنبًا إلى جنب مع حالات الاستخدام الواقعية حيث يحدث فرقًا. هيا بنا نبدأ!
بدأت الأبحاث في تقدير الوضع في أواخر الستينيات والسبعينيات. على مر السنين، تحولت الأساليب المتبعة في مهمة الرؤية الحاسوبية هذه من الرياضيات والهندسة الأساسية إلى طرق أكثر تقدمًا مدفوعة بالذكاء الاصطناعي.
في البداية، اعتمدت التقنيات على زوايا الكاميرا الثابتة ونقاط مرجعية معروفة. وفي وقت لاحق، تطورت لتشمل نماذج ثلاثية الأبعاد ومطابقة الميزات. اليوم، يمكن لنماذج التعلم العميق مثل YOLO11 اكتشاف أوضاع الجسم في الوقت الفعلي من الصور أو الفيديو، مما يجعل تقدير الوضع أسرع وأكثر دقة من أي وقت مضى.
مع تحسن التكنولوجيا، رأى الباحثون التطبيقات المحتملة للقدرة على مراقبة وتتبع أوضاع الكائنات المختلفة، وخاصة البشر والحيوانات. يعتبر تقدير الوضع مهمًا بشكل خاص لأنه يمكّن أدوات الذكاء الاصطناعي من فهم وقياس الوضعية والحركة بطرق لم تكن ممكنة من قبل.
على سبيل المثال، يسمح لأجهزة الكمبيوتر بالتعرف على الإيماءات للتفاعل بدون استخدام اليدين، ويحلل حركات الرياضيين لتحسين الأداء، ويعزز الرسوم المتحركة الواقعية في ألعاب الفيديو، بل ويدعم الرعاية الصحية من خلال تتبع تقدم تعافي المرضى.
يختلف تقدير الوضعية عن مهام الرؤية الحاسوبية الأخرى مثل اكتشاف الكائنات وتقسيم المثيلات. تركز هذه المهام بشكل أساسي على تحديد وتحديد مواقع الكائنات داخل الصورة.
الكشف عن الأجسام، على سبيل المثال، يرسم مربعات إحاطة حول عناصر مثل الأشخاص أو المركبات أو الحيوانات للإشارة إلى وجودها وموقعها. يخطو تقسيم المثيلات خطوة إلى الأمام من خلال تحديد الشكل الدقيق لكل كائن على مستوى البكسل.
ومع ذلك، تهتم كلتا الطريقتين بشكل أساسي بما هو الكائن وأين هو - ولا تقدمان أي معلومات حول كيفية وضع الكائن أو ما قد يفعله. هذا هو المكان الذي يصبح فيه تقدير الوضع أمرًا بالغ الأهمية.
من خلال تحديد النقاط الرئيسية على الجسم، مثل المرفقين أو الركبتين أو حتى الذيل، يمكن لتقدير الوضع تفسير القوام والحركة. وهذا يسمح بفهم أعمق للإجراءات والإيماءات وديناميكيات الجسم، بما في ذلك الحركة في الفضاء ثلاثي الأبعاد.
تتبع نماذج تقدير الوضعية بشكل عام منهجين رئيسيين: من الأسفل إلى الأعلى ومن الأعلى إلى الأسفل. في منهج من الأسفل إلى الأعلى، يكتشف النموذج أولاً النقاط الرئيسية الفردية، مثل المرفقين أو الركبتين أو الكتفين، ثم يجمعها لمعرفة الشخص أو الجسم الذي تنتمي إليه. في المقابل، يبدأ المنهج من الأعلى إلى الأسفل باكتشاف كل جسم أولاً (مثل شخص في الصورة) ثم تحديد النقاط الرئيسية لهذا الجسم المحدد.
تمزج بعض النماذج الأحدث، مثل YOLO11، بين فوائد كلا النهجين. فهي تحافظ على كفاءة طريقة من الأسفل إلى الأعلى عن طريق تخطي خطوة التجميع اليدوي، مع الاستفادة أيضًا من دقة أنظمة من الأعلى إلى الأسفل عن طريق اكتشاف الأشخاص وتقدير أوضاعهم دفعة واحدة - في عملية واحدة مبسطة.
بينما نشرح كيفية عمل نماذج تقدير الوضعية، قد تتساءل: كيف تتعلم هذه النماذج بالفعل تقدير وضعية الكائنات المختلفة؟ هذا هو المكان الذي تظهر فيه فكرة التدريب المخصص.
التدريب المخصص يعني تعليم نموذج للتعرف على نقاط رئيسية محددة باستخدام البيانات الخاصة بك. نظرًا لأن بناء نموذج من الصفر يتطلب كمية كبيرة من الصور المصنفة ووقتًا كبيرًا، فإن العديد من الأشخاص يختارون التعلم بالنقل. يتضمن ذلك البدء بنموذج تم تدريبه بالفعل على مجموعة بيانات كبيرة، مثل نموذج تقدير الوضعية YOLO11، الذي تم تدريبه مسبقًا على مجموعة بيانات COCO-Pose، ثم ضبطه بدقة باستخدام البيانات الخاصة بك لمهمة أو حالة استخدام معينة.
لنفترض أنك تعمل مع وضعيات اليوجا - يمكنك إجراء تعديل دقيق على YOLO11 باستخدام صور حيث يتم تصنيف كل وضعية بنقاط رئيسية خاصة بهذا النشاط. للقيام بذلك، ستحتاج إلى مجموعة بيانات مخصصة من الصور المشروحة التي يمكن للنموذج التعلم منها.
أثناء التدريب، يمكنك ضبط إعدادات مثل حجم الدفعة (عدد الصور التي تتم معالجتها مرة واحدة) ومعدل التعلم (مدى سرعة تحديث النموذج لتعلمه) والحقب (عدد المرات التي يدور فيها النموذج خلال مجموعة البيانات) لتحسين الدقة. هذا يجعل من السهل جدًا إنشاء نماذج لتقدير الوضع مصممة خصيصًا لتلبية احتياجاتك الخاصة.
الآن بعد أن ناقشنا ماهية تقدير الوضعية وكيفية عمله، دعنا نلقي نظرة فاحصة على بعض حالات استخدامه الواقعية.
أصبح تقدير الوضعية تدريجيًا أداة موثوقة في صناعة الرعاية الصحية، وخاصة في العلاج الطبيعي. باستخدام الذكاء الاصطناعي والرؤية الحاسوبية، يمكن لهذه الأنظمة تتبع الوضعية والحركات في الوقت الفعلي وتقديم ملاحظات، على غرار ما قد يقدمه أخصائي العلاج الطبيعي.
على سبيل المثال، يمكن للمريض الذي يتعافى من جراحة في الركبة استخدام نظام تقدير الوضعية للتأكد من أنه يقوم بتمارين إعادة التأهيل بشكل صحيح. يمكن للنظام اكتشاف أي حركات غير صحيحة وتقديم اقتراحات للتحسين، مما يساعد المريض على البقاء على المسار الصحيح وتجنب الإصابة.
بالإضافة إلى إعادة التأهيل، يشق تقدير الوضع طريقه أيضًا إلى تطبيقات اللياقة البدنية. على سبيل المثال، يمكن لشخص يتمرن في المنزل استخدام التطبيق للتحقق من شكله أثناء التمرين. يمكن للتطبيق تقديم ملاحظات في الوقت الفعلي، مثل تعديل زاوية القرفصاء أو التأكد من أن ظهرك مستقيم أثناء الرفعة المميتة. يساعد هذا المستخدمين على تحسين شكلهم ومنع الإصابات دون الحاجة إلى مدرب.
لقد غيّر تقدير الوضعية الطريقة التي يعمل بها التقاط الحركة في مجال الترفيه، مما جعله أبسط وأكثر سهولة. في الماضي، كان التقاط الحركة يتطلب وضع علامات على جسم الشخص وتتبعها بكاميرات خاصة، وهو ما قد يكون صعبًا ومكلفًا.
الآن، مع التقدم في الذكاء الاصطناعي ورؤية الكمبيوتر، يمكننا استخدام كاميرات وخوارزميات عادية لتتبع حركات الجسم دون الحاجة إلى علامات، مما يجعل العملية أكثر كفاءة ودقة، حتى في الوقت الفعلي.
من الأمثلة الرائعة على ذلك أداة Disney's AR (الواقع المعزز) Poser. تتيح لك هذه الأداة الممتعة التقاط صورة بهاتفك وجعل شخصية رقمية تنسخ وضعك في الواقع المعزز. وهي تعمل عن طريق تحليل وضعك في الصورة ومطابقته مع شخصية ثلاثية الأبعاد، مما يخلق صورة سيلفي AR ممتعة ومخصصة.
تساعد دراسة سلوك الحيوان العلماء على فهم كيفية تواصل الحيوانات، وإيجاد شركاء التزاوج، ورعاية صغارها، والعيش في مجموعات. هذه المعرفة ضرورية لحماية الحياة البرية واكتساب فهم أعمق للعالم الطبيعي.
يبسط تقدير الوضعية هذه العملية عن طريق تتبع حركات الحيوانات ووضعيتها باستخدام الصور ومقاطع الفيديو، دون إرفاق أجهزة استشعار أو علامات بالحيوانات. يمكن لهذه الأنظمة مراقبة أوضاعها تلقائيًا، مما يوفر رؤى حول سلوكيات مثل الاستمالة أو اللعب أو القتال.
ومن الأمثلة المثيرة للاهتمام على ذلك استخدام العلماء لتقدير الوضعية لدراسة سلوك القردة. في الواقع، قام الباحثون بتجميع مجموعات بيانات مثل OpenApePose، والتي تحتوي على أكثر من 71,000 صورة موسومة من ستة أنواع من القردة.
فيما يلي بعض الفوائد الرئيسية التي يمكن أن يجلبها تقدير الوضعية إلى مختلف الصناعات:
في حين أن مزايا تقدير الوضع واضحة في مختلف المجالات، إلا أن هناك أيضًا بعض التحديات التي يجب أخذها في الاعتبار. فيما يلي بعض القيود الرئيسية التي يجب وضعها في الاعتبار:
لقد قطع تقدير الوضعية شوطًا طويلاً منذ أيامه الأولى، وتطور من الأنظمة التي تستخدم العلامات إلى أدوات مؤثرة مدفوعة بنماذج التعلم العميق مثل YOLO11. سواء كان الأمر يتعلق بتحسين العلاج الطبيعي، أو تشغيل تجارب الواقع المعزز التفاعلية، أو المساعدة في أبحاث الحياة البرية، فإن تقدير الوضعية يغير الطريقة التي تفهم بها الآلات الحركة والوضعية. مع استمرار تقدم التكنولوجيا، سيكون معالجة قيودها أمرًا أساسيًا لإطلاق المزيد من الاستخدامات العملية وجعل الآلات أفضل في فهم كيف نتحرك نحن والكائنات الحية الأخرى.
هل أنت مهتم بالذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتحقق من خيارات الترخيص الخاصة بنا لبدء مشروع الرؤية الحاسوبية الخاص بك. تعرف على المزيد حول الابتكارات مثل الذكاء الاصطناعي في مجال البيع بالتجزئة و الرؤية الحاسوبية في صناعة الخدمات اللوجستية في صفحات الحلول الخاصة بنا.
