ما هو تقدير الوضع وأين يمكن استخدامه؟

عندما ترى شخصاً منحنياً أو واقفاً باستقامة مع إرجاع كتفيه إلى الوراء، يتضح لك فوراً ما إذا كان وضعه الجسدي سيئاً أو واثقاً. لا يحتاج أحد لشرح ذلك لك. وذلك لأننا تعلمنا بمرور الوقت تفسير لغة الجسد بشكل طبيعي.

من خلال الخبرة والملاحظة، أصبحت أدمغتنا بارعة للغاية في التعرف على وضعيات الأجسام المختلفة، بما في ذلك البشر. وبفضل التطورات الأخيرة في الذكاء الاصطناعي وcomputer vision، وهو مجال يمكن الآلات من تفسير المعلومات المرئية من العالم، بدأت الآلات الآن في تعلم هذه القدرة ونسخها أيضاً.

Pose estimation هي مهمة في مجال رؤية الكمبيوتر تساعد الآلات على معرفة موقع واتجاه شخص أو جسم من خلال فحص الصور أو مقاطع الفيديو. وهي تقوم بذلك عن طريق تحديد النقاط الرئيسية في الجسم، مثل المفاصل والأطراف، لفهم كيفية تحرك شخص ما أو حتى شيء ما.

تُستخدم هذه التقنية على نطاق واسع في مجالات مثل اللياقة البدنية، والرعاية الصحية، والرسوم المتحركة. ففي بيئات العمل، على سبيل المثال، يمكن استخدامها لمراقبة وضعية الموظفين ودعم مبادرات السلامة والعافية. تتيح نماذج رؤية الكمبيوتر مثل Ultralytics YOLO11 إمكانية تحقيق ذلك من خلال تقدير وضعيات البشر في الوقت الفعلي.

Fig 1. مثال على استخدام نموذج Ultralytics YOLO11 لمراقبة وضعيات العمال.

في هذه المقالة، سنلقي نظرة فاحصة على تقدير الوضعية وكيفية عمله، إلى جانب حالات الاستخدام الواقعية التي يحدث فيها فرقاً. لنبدأ!

تطور تقدير الوضعية#

بدأ البحث في تقدير الوضعيات في أواخر الستينيات والسبعينيات من القرن الماضي. على مر السنين، تحولت النهج المتبعة تجاه هذه computer vision task من الرياضيات الأساسية والهندسة إلى طرق أكثر تقدم مدفوعة بالذكاء الاصطناعي.

في البداية، اعتمدت التقنيات على زوايا الكاميرا الثابتة ونقاط مرجعية معروفة. لاحقاً، تطورت لتشمل نماذج ثلاثية الأبعاد ومطابقة الميزات. اليوم، يمكن لنماذج التعلم العميق مثل Ultralytics YOLO11 اكتشاف وضعيات الجسم في الوقت الفعلي من الصور أو مقاطع الفيديو، مما يجعل تقدير الوضعيات أسرع وأكثر دقة من أي وقت مضى.

مع تحسن التكنولوجيا، رأى الباحثون التطبيقات المحتملة للقدرة على مراقبة وتتبع وضعيات مختلف الأجسام، وخاصة البشر والحيوانات. يعد تقدير الوضعية مهماً بشكل خاص لأنه يُمكّن أدوات الذكاء الاصطناعي من فهم وقياس الوضعية والحركة بطرق لم تكن ممكنة من قبل.

على سبيل المثال، يسمح للحواسيب بالتعرف على الإيماءات للتفاعل بدون استخدام اليدين، وتحليل حركات الرياضيين لتحسين الأداء، وتشغيل رسوم متحركة واقعية في ألعاب الفيديو، وحتى دعم الرعاية الصحية من خلال تتبع تقدم تعافي المرضى.

كيف يختلف عن مهام الرؤية الحاسوبية الأخرى؟#

يختلف تقدير الوضعيات عن مهام رؤية الكمبيوتر الأخرى مثل object detection وتجزئة المثيلات. تركز هذه المهام أساساً على تحديد وتمركز الكائنات داخل الصورة.

على سبيل المثال، يرسم اكتشاف الكائنات مربعات محيطة حول عناصر مثل الأشخاص، أو المركبات، أو الحيوانات للإشارة إلى وجودها وموقعها. تأخذ Instance segmentation خطوة إضافية إلى الأمام من خلال تحديد الشكل الدقيق لكل كائن على مستوى البكسل.

ومع ذلك، تهتم كلتا هاتين الطريقتين بماهية الجسم ومكانه - فهما لا توفران أي معلومات حول كيفية تموضع الجسم أو ما قد يفعله. وهنا يصبح تقدير الوضعية أمراً بالغ الأهمية.

من خلال تحديد النقاط الرئيسية على الجسم، مثل المرفقين أو الركبتين أو حتى الذيل، يمكن لتقدير الوضعية تفسير الوضعية والحركة. وهذا يسمح بفهم أعمق للأفعال والإيماءات وديناميكيات الجسم، بما في ذلك الحركة في الفضاء ثلاثي الأبعاد.

فهم كيفية عمل تقدير الوضعية#

تتبع Pose estimation models بشكل عام نهجين رئيسيين: من القاعدة إلى القمة (Bottom-up) ومن القمة إلى القاعدة (Top-down). في نهج القاعدة إلى القمة، يكتشف النموذج أولاً النقاط الرئيسية الفردية، مثل المرفقين، أو الركبتين، أو الكتفين، ثم يجمعها لمعرفة الشخص أو الجسم الذي تنتمي إليه. في المقابل، يبدأ نهج القمة إلى القاعدة باكتشاف كل كائن أولاً (مثل شخص في الصورة) ثم يحدد موقع النقاط الرئيسية لهذا الكائن المحدد.

Fig 2. مقارنة بين طرق تقدير الوضعيات من القاعدة إلى القمة ومن القمة إلى القاعدة.

بعض النماذج الأحدث، مثل Ultralytics YOLO11، تدمج فوائد النهجين معا. فهو يحافظ على كفاءة النهج التصاعدي من خلال تخطي خطوة التجميع اليدوي، مع الاستفادة أيضا من دقة أنظمة النهج التنازلي عبر اكتشاف الأشخاص وتقدير وضعياتهم دفعة واحدة - في عملية واحدة مبسطة.

التدريب المخصص لـ Ultralytics YOLO11 لتقدير الوضعيات#

بينما نستعرض كيفية عمل نماذج تقدير الوضعية، قد تتساءل: كيف تتعلم هذه النماذج في الواقع تقدير وضعية الأجسام المختلفة؟ وهنا تأتي فكرة التدريب المخصص إلى الصورة.

التدريب المخصص يعني تعليم النموذج التعرف على نقاط رئيسية محددة باستخدام بياناتك الخاصة. ونظرا لأن بناء نموذج من الصفر يتطلب كمية كبيرة من الصور المصنفة وقتا كبيرا، فإن العديد من الأشخاص يختارون التعلم بالنقل. يتضمن ذلك البدء بننموذج تم تدريبه مسبقا على مجموعة بيانات ضخمة، مثل نموذج تقدير الوضعيات Ultralytics YOLO11، المدرب مسبقا على مجموعة بيانات COCO-Pose، ثم ضبطه بدقة باستخدام بياناتك الخاصة لمهمة أو حالة استخدام معينة.

لنفترض أنك تعمل مع وضعيات اليوغا - يمكنك ضبط نموذج Ultralytics YOLO11 بدقة باستخدام صور يتم فيها تصنيف كل وضعية بنقاط رئيسية خاصة بهذا النشاط. للقيام بذلك، ستحتاج إلى مجموعة بيانات مخصصة من الصور الشارحة التي يمكن للنموذج التعلم منها.

أثناء التدريب، يمكنك ضبط إعدادات مثل حجم الدفعة (عدد الصور التي تتم معالجتها في وقت واحد)، ومعدل التعلم (مدى سرعة تحديث النموذج لتعلمه)، والحقبات (عدد المرات التي يدور فيها النموذج عبر مجموعة البيانات) لتحسين الدقة. وهذا يجعل بناء نماذج تقدير الوضعية المصممة لاحتياجاتك الخاصة أسهل بكثير.

تطبيقات واقعية لتقدير الوضعية#

الآن بعد أن ناقشنا ماهية تقدير الوضعية وكيفية عمله، دعونا نلقي نظرة فاحصة على بعض حالات استخدامه في العالم الحقيقي.

استخدام تقدير الوضعية للعلاج الطبيعي#

أصبح تقدير الوضعية تدريجياً 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 الملاحظات، على غرار ما يقدمه أخصائي العلاج الطبيعي.

على سبيل المثال، يمكن لمريض يتعافى من جراحة في الركبة استخدام نظام تقدير الوضعية للتأكد من أنه يقوم بتمارين إعادة التأهيل بشكل صحيح. يمكن للنظام رصد أي حركات غير صحيحة وتقديم اقتراحات للتحسين، مما يساعد المريض على البقاء على المسار الصحيح وتجنب الإصابة.

Fig 3. مثال على استخدام Ultralytics YOLO11 للعلاج الطبيعي.

إلى جانب إعادة التأهيل، شق تقدير الوضعيات طريقه أيضاً إلى fitness apps. على سبيل المثال، يمكن لشخص يتمرن في المنزل استخدام التطبيق للتحقق من وضعية جسمه أثناء التمارين. يمكن أن يمنح التطبيق ملاحظات في الوقت الفعلي، مثل تعديل زاوية القرفصاء أو التأكد من استقامة ظهرك أثناء رفع الأثقال. يساعد ذلك المستخدمين على تحسين وضعياتهم ومنع الإصابات دون الحاجة إلى مدرب.

التقاط الحركة للترفيه بتمكين من تقدير الوضعية#

غير تقدير الوضعية طريقة عمل التقاط الحركة في الترفيه، مما جعله أبسط وأكثر سهولة. في الماضي، كان التقاط الحركة يتطلب وضع علامات على جسم الشخص وتتبعها بكاميرات خاصة، وهو ما قد يكون صعباً ومكلفاً.

الآن، مع التقدم في الذكاء الاصطناعي ورؤية الكمبيوتر، يمكننا استخدام cameras والخوارزميات العادية لتتبع حركات الجسم دون الحاجة إلى علامات، مما يجعل العملية أكثر كفاءة ودقة، حتى في الوقت الفعلي.

مثال رائع على ذلك هو Disney's AR (Augmented Reality) Poser. تتيح لك هذه الأداة الممتعة التقاط صورة بهاتفك وجعل شخصية رقمية تنسخ وضعيتك في الواقع المعزز. يعمل ذلك عن طريق تحليل وضعيتك في الصورة ومطابقتها مع شخصية ثلاثية الأبعاد، مما يخلق صورة سيلفي واقع معزز ممتعة ومخصصة.

Fig 4. شخصية واقع معزز تقلّد وضعية شخص باستخدام تقدير الوضعيات.

أبحاث السلوك الاجتماعي مدفوعة بتقدير وضعية الحيوانات#

تساعد دراسة سلوك الحيوان العلماء على فهم كيفية تواصل الحيوانات، وإيجاد رفاقها، ورعاية صغارها، والعيش في مجموعات. هذه المعرفة حيوية لحماية الحياة البرية واكتساب فهم أعمق للعالم الطبيعي.

يبسط تقدير الوضعيات هذه العملية من خلال tracking animal الحركات والوضعيات باستخدام الصور ومقاطع الفيديو، دون ربط أجهزة استشعار أو علامات بالحيوانات. يمكن لهذه الأنظمة مراقبة وضعياتها تلقائياً، مما يوفر رؤى حول سلوكيات مثل العناية بالنفس، أو اللعب، أو القتال.

مثال مثير للاهتمام على ذلك هو استخدام العلماء لتقدير الوضعية لدراسة سلوك القردة. في الواقع، قام الباحثون بتجميع مجموعات بيانات مثل OpenApePose، والتي تحتوي على أكثر من 71,000 صورة مصنفة من ستة أنواع من القردة.

Fig 5. تقدير وضعية القرد.

إيجابيات وسلبيات تقدير الوضعية#

إليك بعض المزايا الرئيسية التي يمكن أن يوفرها تقدير الوضعية لمختلف الصناعات:

• Scalability: يمكن نشر أنظمة تقدير الوضعيات على مجموعة واسعة من الأجهزة، بدءاً من الهواتف الذكية وحتى إعدادات الكاميرات المتقدمة، مما يجعلها قابلة للتطوير بدرجة كبيرة وسهلة الوصول لمختلف حالات الاستخدام والبيئات.
• فعالة من حيث التكلفة: نظراً لأن تقدير الوضعية يعتمد على كاميرات عادية ولا يتطلب أجهزة استشعار أو علامات باهظة الثمن، فقد يكون حلاً أكثر فعالية من حيث التكلفة لتتبع الحركة في كل من الأبحاث والتطبيقات التجارية.
• المراقبة المستمرة: يمكن لأنظمة تقدير الوضعية توفير تتبع مستمر في الوقت الفعلي، مما يسمح بمراقبة التغيرات بمرور الوقت، سواء كان ذلك لتقدم المريض في إعادة التأهيل أو تتبع سلوك الحيوان في البرية.

على الرغم من أن مزايا تقدير الوضعية واضحة عبر مختلف المجالات، إلا أن هناك أيضاً بعض التحديات التي يجب مراعاتها. إليك بضعة قيود رئيسية يجب وضعها في الاعتبار:

• محدودية التعميم: لا تعمم العديد من النماذج المدربة على مجموعات بيانات بشرية بشكل جيد على الحيوانات أو هياكل الجسم غير الشائعة دون إعادة التدريب على مجموعات بيانات محددة.

• القيود البيئية: قد ينخفض الأداء في ظل الإضاءة الضعيفة، أو ضبابية الحركة السريعة، أو الخلفيات المزدحمة.

• حساسية عالية للاحتجاب (occlusion): يمكن أن تنخفض الدقة عندما تكون أجزاء الجسم محجوبة أو خارج الإطار، خاصة في المشاهد المزدحمة أو تتبع عدة أشخاص.

أبرز النقاط#

قطع تقدير الوضعيات شوطاً طويلاً منذ أيامه الأولى، متطوراً من الأنظمة التي استخدمت العلامات إلى أدوات مؤثرة مدعومة بنماذج التعلم العميق مثل Ultralytics YOLO11. وسواء كان الأمر يتعلق بتحسين العلاج الطبيعي، أو تشغيل تجارب الواقع المعزز التفاعلية، أو المساعدة في أبحاث الحياة البرية، فإن تقدير الوضعيات يغير الطريقة التي تفهم بها الآلات الحركة والوضعيات. ومع استمرار تقدم التكنولوجيا، سيكون معالجة قيودها مفتاحاً لفتح استخدامات عملية أكثر وجعل الآلات أفضل في فهم كيفية تحركنا نحن والكائنات الحية الأخرى.

هل أنت مهتم بالذكاء الاصطناعي؟ استكشف GitHub repository الخاص بنا، وتواصل مع our community، واطلع على our licensing options لإنطلاق مشروع رؤية الكمبيوتر الخاص بك. تعرف على المزيد حول الابتكارات مثل AI in retail وcomputer vision in the logistics صناعة اللوجستيات على صفحات الحلول الخاصة بنا.