تقدير الوضعية

تقدير الوضع هو مهمة متخصصة في مجال الرؤية الحاسوبية تتجاوز الكشف عن الأجسام إلى تحديد هندستها واتجاهها المحدد. من خلال تحديد إحداثيات المعالم الهيكلية —المعروفة باسم النقاط الرئيسية—تنشئ هذه التقنية تمثيلًا هيكليًا للموضوع. في البشر، عادةً ما يتم تعيين هذه النقاط الرئيسية للمفاصل الرئيسية مثل الكتفين والمرفقين والوركين والركبتين. تتيح هذه القدرة لنماذج التعلم الآلي تفسير لغة الجسد والنشاط والوضعية، مما يسد الفجوة بين الكشف البسيط عن البكسل وفهم السلوكيات الجسدية المعقدة .

الآليات والنهج الأساسية

يعتمد تقدير الوضع الحديث بشكل كبير على بنى التعلم العميق ، وتحديداً الشبكات العصبية التلافيفية (CNNs) وبشكل متزايد، المحولات. تنقسم العملية عموماً إلى منهجيتين أساسيتين:

• النهج من أعلى إلى أسفل: تستخدم هذه الطريقة أولاً نموذج نموذج اكتشاف الكائنات لتحديد موقع الفردية (على سبيل المثال، البشر) داخل مربع محدد. بمجرد يتم اقتصاصه، يقوم النظام بتقدير النقاط الرئيسية لذلك الشخص الواحد. غالبًا ما يكون هذا أكثر دقة ولكنه مكلف من الناحية الحسابية مكلفًا كلما زاد عدد الأشخاص.
• النهج التصاعدي من الأسفل إلى الأعلى: بدلاً من ذلك، يكتشف النموذج جميع النقاط الرئيسية المحتملة في الصورة بأكملها أولاً (على سبيل المثال، كل مرفق أيسر) ثم يربطها لتكوين هياكل عظمية مميزة. غالباً ما يُفضّل هذا الأسلوب من أجل الاستدلال في الوقت الحقيقي في المشاهد المزدحمة، حيث أن يكون وقت المعالجة أقل اعتماداً على عدد الأشخاص.

بالنسبة للتطبيقات عالية الأداء، تدمج أحدث نماذج YOLO26 هذه المفاهيم لتقديم تقدير سريع للوضع المناسب للأجهزة المتطورة.

التمييز بين المفاهيم ذات الصلة

من الضروري التفريق بين تقدير الوضعية ومهام الرؤية المماثلة:

• مقابل الكشف عن الكائنات: بينما يحدد يُحدِّد اكتشاف الكائن مكان الكائن و وماهيته (تسمية الفئة)، فإنه يعامل الكائن كمربع جامد. يكشف تقدير الوضعية عن البنية الداخلية البنية الداخلية والتعبير داخل ذلك الصندوق.
• مقابل تجزئة المثيل: يوفر تجزئة المثيل قناعًا مثاليًا بالبكسل لشكل الجسم. على الرغم من أن هذا يحدد الحدود، إلا أنه لا يحدد بوضوح المفاصل أو أو الروابط الهيكلية، وهو أمر ضروري لتحليل ديناميكيات الحركة أو أو الحركيات.

تطبيقات واقعية

تمتد فائدة تقدير الوضعية عبر مختلف الصناعات التي يكون فيها تحليل الحركة أمرًا بالغ الأهمية.

الرعاية الصحية وإعادة التأهيل

في مجال الذكاء الاصطناعي في الرعاية الصحية، يساعد تقدير الوضعية في العلاج الطبيعي من خلال تتبع حركات المريض تلقائيًا. يمكن للأنظمة قياس زاوية المفاصل أثناء تمارين إعادة التأهيل للتأكد من أن المرضى يحافظون على الشكل المناسب، مما يقلل من خطر تكرار الإصابة. وهذا يسمح للمراقبة عن بُعد والتقدم في مجال الرعاية الصحية عن بُعد, مما يجعل الرعاية الجيدة أكثر سهولة.

التحليلات الرياضية والميكانيكا الحيوية

يستخدم المدربون والرياضيون التحليلات الرياضية لتشريح الأداء. من خلال استخراج البيانات الميكانيكية الحيوية من لقطات يمكن للذكاء الاصطناعي تحليل مستوى تأرجح لاعب الغولف أو كفاءة مشية العدّاء دون الحاجة إلى استخدام المستخدمة في التقاط الحركة التقليدية.

مثال على الكود: تقدير الوضعية باستخدام YOLO26

ما يلي Python يوضح المقتطف كيفية تحميل نموذج YOLO26 المدرب مسبقًا وإجراء تقدير الوضع على صورة. وهذا يتطلب ultralytics وتصور الحزمة وتصور مخرجات الهيكل العظمي.

from ultralytics import YOLO

# Load the official YOLO26 nano pose model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image source to detect keypoints
results = model("path/to/image.jpg")

# Visualize the detected keypoints and skeleton
results[0].show()

التحديات والبيانات

يتطلب تدريب نماذج الوضعية القوية مجموعات بيانات ضخمة مشروحة. توفر المعايير القياسية مثل مجموعة بياناتCOCO Pose Dataet الآلاف من الأشكال البشرية المصنفة. ومع ذلك، لا تزال التحديات قائمة، مثل الانسداد (عندما تكون أجزاء الجسم مخفية) والإغلاق الذاتي (عندما يحجب الشخص أطرافه). تتطلب معالجة هذه التحديات تقنيات متقدمة لتكبير البيانات وبيانات تدريب متنوعة بيانات تدريب متنوعة تغطي مختلف الزوايا وظروف الإضاءة وظروف الإضاءة المختلفة.

علاوة على ذلك، يتطلب نشر هذه النماذج على أجهزة الذكاء الاصطناعي المتطورة تحسينًا دقيقًا، مثل تكمية النموذج، للحفاظ على دقة عالية دون التضحية بالسرعة. يمكن للمستخدمين تبسيط سير العمل هذا باستخدام Ultralytics التي تبسط التدريب والنشر.