تقدير الوضعية

تقدير الوضعية هو مهمة متخصصة رؤية حاسوبية متخصصة تتجاوز مجرد اكتشاف الأجسام إلى تحديد هندستها واتجاهها المحدد. من خلال تحديد إحداثيات الهيكلية - المعروفة باسم النقاط الرئيسية -تخلق هذهالتقنية تمثيلاً هيكلياً للموضوع. في البشر، عادةً ما ترسم هذه النقاط الرئيسية خريطة للمفاصل الرئيسية مثل الكتفين والمرفقين والوركين والركبتين. تتيح هذه القدرة لنماذج التعلم الآلي (ML) بتفسير والنشاط ووضعية الجسم، مما يسدّ الفجوة بين الاكتشاف البسيط للبكسل وفهم السلوكيات البدنية المعقدة.

الآليات والنهج الأساسية

يعتمد تقدير الوضعية الحديث بشكل كبير على معماريات التعلم العميق (DL) ، وتحديداً الشبكات العصبية التلافيفية (CNNs) وبشكل متزايد، المحولات. تنقسم العملية بشكل عام 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، نماذج مثل Ultralytics YOLO11 تدمج هذه المفاهيم لتقديم تقدير سريع للوضعية مناسب 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 YOLO11

ما يلي Python يوضح المقتطف كيفية تحميل نموذج YOLO11 المدرب مسبقًا وإجراء تقدير الوضعية على صورة ما. يتطلب ذلك ultralytics وتصور الحزمة وتصور مخرجات الهيكل العظمي.

from ultralytics import YOLO

# Load the official YOLO11 nano pose model
model = YOLO("yolo11n-pose.pt")

# Run inference on an image source
results = model("https://docs.ultralytics.com/usage/python/")

# 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، فإن نشر هذه النماذج على أجهزة الذكاء الاصطناعي المتطورة يتطلب تحسينًا دقيقًا، مثل تكميم النموذج، للحفاظ على دقة عالية دون التضحية بالسرعة.