Keypoints

النقاط الرئيسية هي مواقع مكانية أو معالم مميزة داخل الصورة تحدد الميزات الهامة لعنصر أو موضوع ما. في سياق الرؤية الحاسوبية والتعلم الآلي، يتم تمثيل النقطة الرئيسية عادةً بواسطة مجموعة من الإحداثيات (X, Y) التي تحدد بدقة جزءاً معيناً من الكائن، مثل مرفق الشخص، أو زاوية المبنى، أو مركز عجلة السيارة. على عكس المهام الأبسط التي تحدد فقط وجود كائن ما، يتيح تحديد النقاط الرئيسية لنماذج الذكاء الاصطناعي (AI) فهم هندسة الموضوع ووضعيته وترتيبه الهيكلي. هذه القدرة أساسية للتحليل البصري المتقدم، مما تمكن الآلات من تفسير لغة الجسد، وتتبع الحركات بدقة، ومواءمة الطبقات الرقمية مع الكائنات في العالم الحقيقي.

دور النقاط الرئيسية في نماذج الذكاء الاصطناعي#

تعتبر النقاط الرئيسية بمثابة البيانات الأساسية لـ تقدير الوضعية، وهي تقنية ترسم الهيكل العظمي لإنسان أو حيوان. من خلال اكتشاف مجموعة محدودة مسبقاً من النقاط - مثل الكتفين والركبتين والكاحلين - يمكن للخوارزميات إعادة بناء الوضعية الكاملة للموضوع في الوقت الفعلي. تتجاوز هذه العملية اكتشاف الكائنات القياسي، والذي ينتج عادةً مربعاً محيطياً حول الكائن دون فهم شكله الداخلي.

لقد تطورت البنى الحديثة، مثل Ultralytics YOLO26 المتطور، للتنبؤ بهذه النقاط الرئيسية بدقة وسرعة عاليتين. تستخدم هذه النماذج شبكات التعلم العميق (DL) المدربة على مجموعات بيانات مشروحة ضخمة، مثل COCO Keypoints، لتعلم الأنماط المرئية المرتبطة بالمفاصل وميزات الوجه. أثناء الاستدلال، يقوم النموذج بانحدار الإحداثيات لكل نقطة رئيسية، وغالباً ما يتضمن درجات ثقة للإشارة إلى مدى موثوقية التنبؤ.

النقاط الرئيسية مقابل المفاهيم ذات الصلة#

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

• النقاط الرئيسية مقابل المربعات المحيطية: يوفر المربع المحيطي تحديداً خشناً للموقع، حيث يحيط بالكائن بأكمله في مستطيل. بينما توفر النقاط الرئيسية تحديداً دقيقاً للغاية لأجزاء معينة داخل ذلك الكائن.
• النقاط الرئيسية مقابل تجزئة الصور: تصنف تجزئة الصور كل بكسل لإنشاء قناع دقيق لشكل الكائن. وفي حين توفر التجزئة معلومات تفصيلية عن الحدود، توفر النقاط الرئيسية ملخصاً هيكلياً ("هيكلاً عظمياً") غالباً ما يكون أكثر كفاءة لتحليل الحركة وعلم الحركة (kinematics).
• النقاط الرئيسية مقابل مُصوِّرات الميزات: في معالجة الصور التقليدية مثل SIFT (تحويل الميزات الثابتة مقياسياً)، تكون النقاط الرئيسية هي نقاط الاهتمام (الزوايا، النقاط البارزة) المستخدمة لمطابقة الصور. وفي تقدير الوضعية الحديث القائم على التعلم العميق، تكون النقاط الرئيسية تسميات دلالية (مثل "الرسغ الأيسر") يتعلمها الشبكة.

تطبيقات العالم الحقيقي#

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

• تحليلات الرياضات: يستخدم المدربون والرياضيون تقدير الوضعية لتحليل الميكانيكا الحيوية. من خلال تتبع النقاط الرئيسية على المفاصل، يمكن للأنظمة حساب الزوايا والسرعات لتحسين التقنية في رياضات مثل الجولف، أو التنس، أو الجري السريع. شاهد كيف تتعقب نماذج Ultralytics YOLO ضربات الجولف لتقديم تعليقات 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.

تنفيذ اكتشاف النقاط الرئيسية باستخدام Ultralytics YOLO26#

باستخدام منصة Ultralytics أو Python SDK، يمكن للمطورين بسهولة تنفيذ اكتشاف النقاط الرئيسية. يوضح المثال التالي كيفية تحميل نموذج YOLO26-pose model 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}")

يتيح هذا التدفق البسيط نشر تطبيقات الرؤية الحاسوبية (CV) المعقدة بسرعة. بالنسبة للمستخدمين الذين يتطلعون إلى تدريب نماذج النقاط الرئيسية المخصصة الخاصة بهم - على سبيل المثال، لاكتشاف نقاط محددة على الآلات الصناعية أو أنواع الحيوانات - فإن منصة Ultralytics تبسط عملية توضيح البيانات وتدريب النموذج في السحابة.

اعتبارات متقدمة#

يتطلب النشر الناجح لاكتشاف النقاط الرئيسية التعامل مع تحديات مثل الإخفاء (عندما يكون جزء من الجسم مخفياً) وتنوع ظروف الإضاءة. تعالج النماذج الحديثة ذلك من خلال زيادة البيانات القوية أثناء التدريب، مما يعرض الشبكة لسيناريوهات متنوعة. علاوة على ذلك، يتيح دمج النقاط الرئيسية مع خوارزميات تتبع الكائنات تحديداً متسقاً للأفراد بمرور الوقت في تدفقات الفيديو، وهو أمر أساسي لتطبيقات مثل الأمن أو التحليل السلوكي.