Keypoints

النقاط الرئيسية (Keypoints) هي مواقع مكانية متميزة أو علامات مرجعية داخل الصورة تحدد ميزات مهمة لجسم أو موضوع ما. في سياق الرؤية الحاسوبية والتعلم الآلي، عادةً ما يتم تمثيل النقطة الرئيسية بمجموعة من الإحداثيات (X، Y) التي تحدد بدقة جزءاً معيناً من جسم ما، مثل كوع الشخص، أو زاوية مبنى، أو مركز عجلة سيارة. على عكس المهام الأبسط التي تحدد وجود جسم ما فقط، فإن تحديد النقاط الرئيسية يسمح لنماذج الذكاء الاصطناعي (AI) بفهم الهندسة، والوضعية، والتنظيم الهيكلي للموضوع. تعد هذه القدرة أساسية للتحليل المرئي المتقدم، مما يمكن الآلات من تفسير لغة الجسد، وتتبع الحركات الدقيقة، ومحاذاة التراكبات الرقمية مع كائنات العالم الحقيقي.

Link to this sectionدور النقاط الرئيسية في نماذج الذكاء الاصطناعي#

تعمل النقاط الرئيسية كبيانات أساسية لـ تقدير الوضعية (pose estimation)، وهي تقنية ترسم الهيكل العظمي لإنسان أو حيوان. من خلال اكتشاف مجموعة محددة مسبقاً من النقاط - مثل الكتفين والركبتين والكاحلين - يمكن للخوارزميات إعادة بناء الوضعية الكاملة للموضوع في الوقت الفعلي. تتجاوز هذه العملية اكتشاف الكائنات (object detection) القياسي، الذي يخرج عادةً مربع إحاطة حول كائن دون فهم شكله الداخلي.

تطورت البنى الحديثة، مثل Ultralytics YOLO26 المتطورة، للتنبؤ بهذه النقاط الرئيسية بدقة وسرعة عاليتين. تستخدم هذه النماذج شبكات التعلم العميق (DL) المدربة على مجموعات بيانات ضخمة مشروحة، مثل COCO Keypoints، لتعلم الأنماط المرئية المرتبطة بالمفاصل وملامح الوجه. أثناء الاستدلال، يقوم النموذج بعمل انحدار لإحداثيات كل نقطة رئيسية، وغالباً ما يتضمن ذلك درجة ثقة للإشارة إلى موثوقية التنبؤ.

Link to this sectionالنقاط الرئيسية مقابل المفاهيم ذات الصلة#

من المفيد تمييز النقاط الرئيسية عن مخرجات الرؤية الحاسوبية الشائعة الأخرى لفهم فائدتها الفريدة:

• النقاط الرئيسية مقابل مربعات الإحاطة (Bounding Boxes): يوفر مربع الإحاطة تحديداً تقريبياً للموقع، حيث يحيط بالكائن بأكمله في مستطيل. أما النقاط الرئيسية فتوفر تحديداً دقيقاً لمواقع أجزاء معينة داخل ذلك الكائن.
• النقاط الرئيسية مقابل تجزئة الصور (Image Segmentation): تقوم تجزئة الصور بتصنيف كل بكسل لإنشاء قناع دقيق لشكل الكائن. بينما توفر التجزئة معلومات تفصيلية عن الحدود، توفر النقاط الرئيسية ملخصاً هيكلياً ("هيكلاً عظمياً") والذي غالباً ما يكون أكثر كفاءة لتحليل الحركة والكينماتيكا (kinematics).
• النقاط الرئيسية مقابل واصفات الميزات (Feature Descriptors): في معالجة الصور التقليدية مثل SIFT (Scale-Invariant Feature Transform)، النقاط الرئيسية هي نقاط اهتمام (زوايا، بقع) تُستخدم لمطابقة الصور. في تقدير الوضعية الحديث بالتعلم العميق، النقاط الرئيسية هي تسميات دلالية (مثل "الرسغ الأيسر") تتعلمها الشبكة.

Link to this sectionتطبيقات العالم الحقيقي#

تفتح القدرة على تتبع أجزاء معينة من الجسم أو ميزات الكائنات تطبيقات متنوعة عبر الصناعات:

• تحليلات الرياضة: يستخدم المدربون والرياضيون تقدير الوضعية لتحليل الميكانيكا الحيوية. من خلال تتبع النقاط الرئيسية على المفاصل، يمكن للأنظمة حساب الزوايا والسرعات لتحسين الأداء في رياضات مثل الجولف، أو التنس، أو الجري. انظر كيف تتبع نماذج Ultralytics YOLO ضربات الجولف لتقديم ملاحظات قابلة للتنفيذ.
• الرعاية الصحية وإعادة التأهيل: تستفيد منصات العلاج الطبيعي من النقاط الرئيسية لمراقبة تمارين المرضى عن بعد. يضمن النظام حفاظ المرضى على الوضعية الصحيحة أثناء روتين إعادة التأهيل، مما يقلل من خطر الإصابة ويتتبع تقدم التعافي.
• الواقع المعزز (AR): تعتمد فلاتر وسائل التواصل الاجتماعي وتطبيقات التجربة الافتراضية على النقاط الرئيسية للوجه (العينان، الأنف، محيط الفم) لتثبيت الأقنعة الرقمية أو النظارات بشكل آمن على وجه المستخدم، مع الحفاظ على المحاذاة حتى أثناء تحركه.
• مراقبة السائق: تتتبع أنظمة سلامة السيارات علامات الوجه لاكتشاف علامات النعاس أو التشتت، وتنبيه السائق إذا أغمض عينيه أو إذا أشارت وضعية رأسه إلى نقص في الانتباه.

Link to this sectionتنفيذ اكتشاف النقاط الرئيسية باستخدام YOLO26#

باستخدام منصة Ultralytics أو Python SDK، يمكن للمطورين تنفيذ اكتشاف النقاط الرئيسية بسهولة. يوضح المثال التالي كيفية تحميل نموذج YOLO26-pose مدرب مسبقاً 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 هذا المسار العملي البسيط بالنشر السريع لتطبيقات الرؤية الحاسوبية (CV) المتطورة. بالنسبة للمستخدمين الذين يتطلعون إلى تدريب نماذج النقاط الرئيسية المخصصة الخاصة بهم—على سبيل المثال، لاكتشاف نقاط معينة في الآلات الصناعية أو أنواع الحيوانات—تعمل منصة Ultralytics على تبسيط عملية شرح البيانات وتدريب النماذج في السحابة.

Link to this sectionاعتبارات متقدمة#

يتطلب النشر الناجح لاكتشاف النقاط الرئيسية التعامل مع تحديات مثل الانسداد (عندما يكون جزء من الجسم مخفياً) وظروف الإضاءة المتنوعة. تعالج النماذج الحديثة ذلك من خلال زيادة البيانات (data augmentation) القوية أثناء التدريب، مما يعرض الشبكة لسيناريوهات متنوعة. علاوة على ذلك، يسمح دمج النقاط الرئيسية مع خوارزميات تتبع الكائنات (object tracking) بالتعريف المستمر للأفراد بمرور الوقت في تدفقات الفيديو، وهو أمر ضروري لتطبيقات مثل الأمن أو التحليل السلوكي.