Keypoints

النقاط المفتاحية هي مواقع مكانية مميزة أو معالم داخل صورة تحدد سمات مهمة لكائن أو موضوع. وفي سياق الرؤية الحاسوبية وتعلّم الآلة، تُمثَّل النقطة المفتاحية عادةً بمجموعة من الإحداثيات (X, Y) التي تحدد موضع جزء معين من كائن، مثل مرفق شخص، أو زاوية مبنى، أو مركز عجلة سيارة. وعلى خلاف المهام الأبسط التي تحدد وجود كائن فقط، يتيح تحديد النقاط المفتاحية لنماذج الذكاء الاصطناعي (AI) فهم هندسة الموضوع ووضعية جسمه وترتيبه البنيوي. وتُعد هذه القدرة أساسية للتحليل البصري المتقدم، إذ تمكّن الآلات من تفسير لغة الجسد، وتتبع الحركات الدقيقة، ومحاذاة التراكبات الرقمية مع الكائنات في العالم الحقيقي.

دور النقاط المفتاحية في نماذج الذكاء الاصطناعي#

تشكّل النقاط المفتاحية البيانات الأساسية لـتقدير الوضعية، وهي تقنية ترسم البنية الهيكلية للإنسان أو الحيوان. ومن خلال اكتشاف مجموعة محددة مسبقًا من النقاط—مثل الكتفين والركبتين والكاحلين—يمكن للخوارزميات إعادة بناء الوضعية الكاملة للموضوع في الوقت الفعلي. وتتجاوز هذه العملية اكتشاف الكائنات القياسي، الذي يُخرج عادةً مربع إحاطة حول الكائن من دون فهم شكله الداخلي.

تطورت البنى الحديثة، مثل Ultralytics YOLO26 المتقدم، لتتنبأ بهذه النقاط المفتاحية بدقة وسرعة عاليتين. وتستخدم هذه النماذج شبكات التعلّم العميق (DL) المدرَّبة على مجموعات بيانات ضخمة مشروحة، مثل COCO Keypoints، لتعلّم الأنماط البصرية المرتبطة بالمفاصل وملامح الوجه. وأثناء الاستدلال، يُجري النموذج انحدارًا لإحداثيات كل نقطة مفتاحية، وغالبًا ما يضمّن درجة ثقة للإشارة إلى موثوقية التنبؤ.

النقاط المفتاحية مقارنةً بالمفاهيم ذات الصلة#

من المفيد التمييز بين النقاط المفتاحية ومخرجات الرؤية الحاسوبية الشائعة الأخرى لفهم فائدتها الفريدة:

• النقاط المفتاحية مقارنةً بمربعات الإحاطة: يوفّر مربع الإحاطة تحديدًا مكانيًا تقريبيًا، إذ يحيط بالكائن بأكمله داخل مستطيل. أما النقاط المفتاحية فتوفّر تحديدًا مكانيًا دقيقًا لأجزاء محددة داخل ذلك الكائن.
• النقاط المفتاحية مقارنةً بتجزئة الصور: تصنّف تجزئة الصور كل بكسل لإنشاء قناع دقيق لشكل الكائن. وبينما توفّر التجزئة معلومات تفصيلية عن الحدود، تقدّم النقاط المفتاحية ملخصًا بنيويًا ("هيكلًا عظميًا") يكون غالبًا أكثر كفاءة لتحليل الحركة وعلم الحركة.
• النقاط المفتاحية مقارنةً بواصفات السمات: في معالجة الصور التقليدية، مثل SIFT (التحويل المميّز غير المتأثر بالمقياس)، تكون النقاط المفتاحية نقاط اهتمام (زوايا، وبقع) تُستخدم لمطابقة الصور. أما في تقدير الوضعية الحديث القائم على DL، فالنقاط المفتاحية هي تسميات دلالية (مثل "المعصم الأيسر") تتعلمها الشبكة.

التطبيقات الواقعية#

تتيح القدرة على تتبع أجزاء محددة من الجسم أو سمات الكائنات تطبيقات متنوعة في مختلف القطاعات:

• تحليلات الرياضة: يستخدم المدربون والرياضيون تقدير الوضعية لتحليل الميكانيكا الحيوية. ومن خلال تتبع النقاط المفتاحية على المفاصل، تستطيع الأنظمة حساب الزوايا والسرعات لتحسين الأداء في رياضات مثل الغولف والتنس والعدو السريع. تعرّف على كيفية استخدام نماذج Ultralytics YOLO لتتبع ضربات الغولف لتقديم ملاحظات قابلة للتنفيذ.
• الرعاية الصحية وإعادة التأهيل: تستفيد منصات العلاج الطبيعي من النقاط المفتاحية لمراقبة تمارين المرضى عن بُعد. ويضمن النظام حفاظ المرضى على الوضعية الصحيحة أثناء تمارين إعادة التأهيل، مما يقلل خطر الإصابة ويتتبع التقدم في التعافي.
• الواقع المعزز (AR): تعتمد مرشحات وسائل التواصل الاجتماعي وتطبيقات التجربة الافتراضية على النقاط المفتاحية للوجه (العينين والأنف ومحيط الفم) لتثبيت الأقنعة الرقمية أو النظارات على وجه المستخدم بإحكام، مع الحفاظ على المحاذاة حتى أثناء تحركه.
• مراقبة السائق: تتتبع أنظمة السلامة في السيارات معالم الوجه لاكتشاف علامات النعاس أو التشتت، وتنبه السائق إذا أغلقت عيناه أو أشارت وضعية رأسه إلى قلة الانتباه.

تنفيذ اكتشاف النقاط المفتاحية باستخدام Ultralytics YOLO26#

باستخدام منصة Ultralytics أو Python SDK، يمكن للمطورين تنفيذ اكتشاف النقاط المفتاحية بسهولة. يوضح المثال التالي كيفية تحميل نموذج YOLO26-pose مدرَّب مسبقًا وتشغيل الاستدلال على صورة لاكتشاف الهياكل العظمية البشرية.

from ultralytics import YOLO

# Load a pre-trained YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results showing detected keypoints and skeletons
for result in results:
    result.show()  # Display the image with keypoints drawn

    # Access keypoint coordinates (x, y, confidence)
    keypoints = result.keypoints.data
    print(f"Detected keypoints shape: {keypoints.shape}")

يسمح سير العمل البسيط هذا بالنشر السريع لتطبيقات متقدمة في الرؤية الحاسوبية (CV). وبالنسبة إلى المستخدمين الراغبين في تدريب نماذج النقاط المفتاحية المخصصة الخاصة بهم—مثل اكتشاف نقاط محددة على الآلات الصناعية أو أنواع الحيوانات—تعمل منصة Ultralytics على تبسيط عملية شرح البيانات وتدريب النماذج في السحابة.

اعتبارات متقدمة#

يتطلب نشر اكتشاف النقاط المفتاحية بنجاح التعامل مع تحديات مثل الحجب (عندما يكون جزء من الجسم مخفيًا) وظروف الإضاءة المتنوعة. وتعالج النماذج الحديثة ذلك من خلال زيادة البيانات المتينة أثناء التدريب، إذ تعرّض الشبكة لسيناريوهات متنوعة. وعلاوةً على ذلك، يتيح دمج النقاط المفتاحية مع خوارزميات تتبع الكائنات تحديد هوية الأفراد باستمرار بمرور الوقت في تدفقات الفيديو، وهو أمر أساسي لتطبيقات مثل الأمن أو تحليل السلوك.