اكتشف النقاط الرئيسية في الرؤية الحاسوبية: تقدير الوضعية باستخدام Ultralytics YOLO11 للياقة البدنية والتعرف على الإيماءات والتتبع السريع والدقيق.
النقاط الرئيسية هي مواقع مكانية محددة وغنية بالمعلومات داخل الصورة تحدد السمات المميزة لكائن أو مشهد ما. في مجال الرؤية الحاسوبية (CV)، تشير هذه النقاط — التي يتم تمثيلها عادةً بإحداثيات X و Y — إلى مناطق مهمة ذات أهمية، مثل زوايا المبنى، وملامح الوجه مثل العينين والأنف، أو المفاصل التشريحية لجسم الإنسان. على عكس معالجة كل بكسل في شبكة كثيفة، فإن التركيز على هذه النقاط المتفرقة والغنية دلاليًا يسمح لنماذج الذكاء الاصطناعي (AI) بفهم الهندسة بكفاءة وتحليل الأشكال track بدقة عالية. هذا المفهوم أساسي للمهام المتقدمة التي تتطلب فهمًا هيكليًا للموضوع بدلاً من مجرد وجوده أو موقعه.
تُعد النقاط الرئيسية بمثابة اللبنات الأساسية لرسم خريطة هيكل الكائنات الديناميكية. عندما يتم اكتشاف عدة نقاط رئيسية وربطها ببعضها البعض، فإنها تشكل رسمًا بيانيًا هيكليًا أو إطارًا سلكيًا يمثل وضع الكائن. ويُطبق هذا بشكل شائع في تقدير الوضع، حيث تتنبأ خوارزميات التعلم العميق (DL) بموقع المفاصل — الكتفين والمرفقين والوركين والركبتين — لإعادة بناء وضعية الإنسان أو الحيوان.
من خلال الاستفادة من البنى المتقدمة مثل نموذج Ultralytics ، يمكن للأنظمة إرجاع هذه الإحداثيات مباشرة من الصور المدخلة بسرعة ملحوظة. تتضمن هذه العملية استخراجًا معقدًا للميزات، حيث تتعلم الشبكة العصبية تحديد الأنماط المحلية الثابتة بالنسبة للإضاءة والدوران والحجم. نظرًا لأن النقاط الرئيسية تمثل ملخصًا مكثفًا لحالة الكائن، فهي فعالة من الناحية الحسابية، مما يجعلها مثالية للاستدلال في الوقت الفعلي على أجهزة الحوسبة الطرفية.
لفهم الفائدة المحددة للنقاط الرئيسية، من المفيد مقارنتها بمهام الرؤية الحاسوبية الأولية الأخرى الموجودة في Ultralytics :
تفتح القدرة على track نقاط محددة في موضوع ما الباب أمام تطبيقات متنوعة في مختلف الصناعات:
تجعل المكتبات الحديثة من السهل تنفيذ اكتشاف النقاط الرئيسية باستخدام نماذج مدربة مسبقًا. إن
ultralytics توفر الحزمة وصولاً فوريًا إلى أحدث النماذج مثل YOLO26 و
YOLO11، والتي يمكن تدريبها على مجموعات بيانات مثل
COCO أو
وضعية النمر.
يوضح المثال التالي كيفية تحميل نموذج تقدير الوضع وتصور النقاط الرئيسية المكتشفة باستخدام Python:
from ultralytics import YOLO
# Load a pretrained YOLO26n-pose model
model = YOLO("yolo26n-pose.pt")
# Run inference on a local image
results = model("path/to/runner.jpg")
# Visualize the results, showing the skeletal keypoints
results[0].show()
في سير العمل هذا، يُخرج النموذج كائن نتيجة يحتوي على الإحداثيات و
درجة الثقة لكل نقطة مكتشفة. يمكن للمطورين
استخراج هذه الخامات x, y لبناء منطق مخصص، مثل عدّ التكرارات في تطبيق رياضي أو
التحكم في شخصية اللعبة عبر التقاط الحركة.
.webp)
