اكتشف أساسيات تتبع النقاط في مجال الرؤية الحاسوبية. تعرف على كيفية track Ultralytics ونماذج الذكاء الاصطناعي المتقدمة track الحركة track في مجالي الروبوتات والمؤثرات البصرية.
يُعد تتبع النقاط مهمة أساسية في مجال الرؤية الحاسوبية، وتتضمن تقدير وتتبع حركة نقاط محددة ومحددة الموقع (مثل وحدات البكسل أو السمات المميزة) عبر الإطارات المتتالية في تسلسل فيديو على مدار الوقت. على عكس تتبع الكائنات، الذي يراقب الموقع العام للكيانات بأكملها باستخدام مربعات الحدود أو أقنعة التجزئة، يركز تتبع النقاط على مستوى تفصيلي أدق بكثير، على مستوى أقل من البكسل. من خلال تحديد والحفاظ على التوافق بين هذه المواقع الدقيقة، يمكن لأنظمة الذكاء الاصطناعي (AI) إنجاز مهام متقدمة لفهم الفيديو التي تتطلب تحليلًا معقدًا للحركة.
يُعد تتبع النقاط بدقة في مشهد ديناميكي تحديًا كبيرًا. فغالبًا ما تتعرض النقاط المتتبعة للحجب— حيث تحجب الأجسام مؤقتًا مجال رؤية الكاميرا — أو قد تخرج تمامًا من مجال الرؤية. علاوة على ذلك، يمكن أن تؤدي التغيرات في الإضاءة، وتغيرات المنظور، والحركات السريعة إلى تغيير المظهر البصري للنقطة بشكل جذري.
تاريخياً، كانت الخوارزميات الكلاسيكية مثل خوارزمية التدفق البصري لـ Lucas-Kanade تتولى هذه المهام. ومع ذلك، تستخدم الأساليب الحديثة بنى قوية للتعلم العميق. وقد أحدثت الابتكارات الحديثة الصادرة عن مؤسسات بحثية كبرى، مثل TAPIR (Tracking Any Point with Initialization and Refinement) Google و CoTracker3 من Meta AI، ثورة في هذا المجال. على عكس الطرق القديمة التي كانت تتعقب النقاط بشكل مستقل، تستخدم نماذج مثل CoTracker3 محولات (transformers) لإجراء تتبع مشترك لعدة نقاط، مستفيدة من الترابطات الفيزيائية بين النقاط التي تنتمي إلى نفس الكائن. كما تستخدم هذه النماذج المتطورة التصنيف الزائف على مقاطع فيديو من العالم الحقيقي لتدريب أنظمة عالية الدقة مع متطلبات بيانات مخفضة بشكل كبير.
على الرغم من ارتباطه الوثيق بمهام الرؤية الحاسوبية الأخرى، إلا أن تتبع النقاط يختلف عنها اختلافًا كبيرًا:
يُعد تتبع النقاط عاملاً أساسياً في تمكين العديد من التطبيقات المتقدمة:
في حين أن برامج تتبع النقاط العامة تتبع وحدات البكسل المرئية بشكل عشوائي، يمكنك track نقاط مرجعية هيكلية track (مثل
عيون الشخص أو كتفيه أو معصميه) باستخدام إمكانيات تتبع الوضع في ultralytics الحزمة.
الموصى بها يولو26 يوفر هذا النموذج تتبعًا عالي السرعة وشاملاً
لنقاط المفتاح، وهو مثالي لتحليل الحركة.
from ultralytics import YOLO
# Load the recommended YOLO26 pose model for keypoint tracking
model = YOLO("yolo26n-pose.pt")
# Perform pose tracking on a video stream to follow human keypoints over time
results = model.track(source="video.mp4", stream=True)
# Iterate through the stream to process temporal keypoint tracking data
for frame_result in results:
# Each keypoint maintains its association across frames
print(f"Tracked {len(frame_result.keypoints)} human skeletons in current frame.")
عند نشر سير عمل الرؤية الحاسوبية على نطاق واسع، تقدم Ultralytics حلاً مبسطًا لـ توضيح البيانات، وتدريب النماذج، والنشر السلس، مما يضمن أداءً موثوقًا عبر بيئات متنوعة في الحافة والسحابة.
ابدأ رحلتك مع مستقبل تعلم الآلة
