تعرف على كيفية تحديد النقاط الرئيسية لهندسة الكائنات ووضعها في الذكاء الاصطناعي. استكشف تقدير الوضع باستخدام Ultralytics وابدأ باستخدام Python سهل الاستخدام.
النقاط الرئيسية هي مواقع أو معالم مكانية مميزة داخل الصورة تحدد السمات المهمة لكائن أو موضوع ما. في سياق الرؤية الحاسوبية والتعلم الآلي، يتم تمثيل النقطة الرئيسية عادةً بمجموعة من الإحداثيات (X، Y) التي تحدد جزءًا معينًا من كائن ما، مثل مرفق شخص ما، أو زاوية مبنى، أو مركز عجلة سيارة. على عكس المهام الأبسط التي تحدد فقط وجود كائن ما، فإن تحديد النقاط الرئيسية يسمح لنماذج الذكاء الاصطناعي (AI) بفهم الهندسة والوضعية والترتيب الهيكلي للموضوع. هذه القدرة أساسية للتحليل البصري المتقدم، حيث تمكن الآلات من تفسير لغة الجسد track الحركات track ومواءمة الطبقات الرقمية مع الكائنات في العالم الحقيقي.
تُستخدم النقاط الرئيسية كبيانات أساسية لتقدير الوضع، وهي تقنية تعمل على رسم خريطة لهيكل عظمي الإنسان أو الحيوان. من خلال الكشف عن مجموعة محددة مسبقًا من النقاط — مثل الكتفين والركبتين والكاحلين — يمكن للخوارزميات إعادة بناء الوضع الكامل للكائن في الوقت الفعلي. تتجاوز هذه العملية الكشف القياسي عن الكائنات، الذي عادةً ما ينتج مربعًا محيطًا بالكائن دون فهم شكله الداخلي.
تطورت البنى الحديثة، مثل أحدث نسخة من Ultralytics ، لتتمكن من توقع هذه النقاط الرئيسية بدقة وسرعة عالية. تستخدم هذه النماذج شبكات التعلم العميق (DL) المدربة على مجموعات بيانات ضخمة مُعلّقة، مثل COCO لتتعلم الأنماط البصرية المرتبطة بالمفاصل وملامح الوجه. أثناء الاستدلال، يقوم النموذج برجوع الإحداثيات لكل نقطة رئيسية، وغالبًا ما يتضمن درجة ثقة للإشارة إلى موثوقية التنبؤ.
من المفيد التمييز بين النقاط الرئيسية وغيرها من مخرجات الرؤية الحاسوبية الشائعة لفهم فائدتها الفريدة:
تتيح القدرة على track أجزاء track من الجسم أو ميزات معينة للأشياء إمكانية استخدامها في تطبيقات متنوعة عبر مختلف الصناعات:
باستخدام Ultralytics أو Python يمكن للمطورين بسهولة تنفيذ الكشف عن النقاط الرئيسية. يوضح المثال التالي كيفية تحميل نموذج YOLO26-pose المدرب مسبقًا وتشغيل الاستدلال على صورة detect الهياكل detect .
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 الرؤية الحاسوبية المتطورة . بالنسبة للمستخدمين الذين يرغبون في تدريب نماذج النقاط الرئيسية المخصصة الخاصة بهم - على سبيل المثال، detect نقاط detect على الآلات الصناعية أو أنواع الحيوانات - تعمل Ultralytics على تبسيط عملية تعليق البيانات وتدريب النماذج في السحابة.
يتطلب النشر الناجح لاكتشاف النقاط الرئيسية التعامل مع تحديات مثل الانسداد (عندما يكون جزء من الجسم مخفيًا) و ظروف الإضاءة المتنوعة. تعالج النماذج الحديثة هذا الأمر من خلال زيادة البيانات بشكل قوي أثناء التدريب، مما يعرض الشبكة لسيناريوهات متنوعة. علاوة على ذلك، فإن دمج النقاط الرئيسية مع خوارزميات تتبع الكائنات يسمح بالتعرف المتسق على الأفراد بمرور الوقت في تدفقات الفيديو، وهو أمر ضروري لتطبيقات مثل الأمن أو تحليل السلوك .
.webp)