تقدير الوضعية

تقدير الوضع هو تقنية رؤية حاسوبية متخصصة تتجاوز مجرد الكشف عن وجود الأشياء إلى فهم بنيتها الهندسية واتجاهها المادي. في حين أن الكشف القياسي عن الأشياء يرسم مربعًا مستطيلًا بسيطًا حول الموضوع، فإن تقدير الوضع يحدد نقاطًا دلالية محددة، تُعرف باسم النقاط الرئيسية، مثل المفاصل في جسم الإنسان (المرفقين والركبتين والكتفين) أو الزوايا الهيكلية في السيارة. من خلال تعيين هذه المعالم، يمكن لنماذج التعلم الآلي إعادة بناء تمثيل هيكلي للكائن، مما يمكّن الأنظمة من تفسير لغة الجسد وديناميكيات الحركة وتحديد الموقع بدقة في الفضاء ثنائي الأبعاد أو ثلاثي الأبعاد.

الآليات الأساسية: من أعلى إلى أسفل مقابل من أسفل إلى أعلى

يعتمد تقدير الوضع الحديث بشكل كبير على بنى التعلم العميق المتطورة، وغالبًا ما يستخدم الشبكات العصبية التلافيفية (CNNs) لمعالجة البيانات المرئية. تتبع الخوارزميات عمومًا إحدى الاستراتيجيتين الأساسيتين لتحديد النقاط الرئيسية:

• النهج التنازلي: تستخدم هذه الطريقة أولاً نموذجًا لاكتشاف الكائنات لتحديد مواقع الحالات الفردية داخل المربعات المحيطة. بمجرد قص شخص أو كائن من الصورة الأكبر، يتنبأ مقدر الوضع بالنقاط الرئيسية داخل تلك المنطقة المحددة. غالبًا ما تكون هذه الطريقة دقيقة للغاية، ولكنها قد تعاني من تأخر الاستدلال مع زيادة عدد العناصر في الإطار.
• الأساليب التصاعدية: على العكس من ذلك، تكتشف هذه الاستراتيجية جميع النقاط الرئيسية المحتملة في الصورة بأكملها في وقت واحد (على سبيل المثال، العثور على كل "ركبة يسرى" في حشد من الناس) ثم تستخدم خوارزميات الارتباط لتجميعها في هياكل عظمية فردية. يُفضل استخدام هذه الطريقة عمومًا للاستدلال في الوقت الفعلي في المشاهد المزدحمة لأن التكلفة الحسابية تظل ثابتة نسبيًا بغض النظر عن عدد الأشخاص الموجودين.

تستخدم النماذج الحديثة مثل YOLO26 بنى متطورة من طرف إلى طرف توازن بين هذه الاحتياجات، وتوفر تقديرًا سريعًا للوضعيات مناسبًا للنشر على أجهزة الذكاء الاصطناعي المتطورة والمنصات المحمولة.

تمييز المصطلحات ذات الصلة بالرؤية الحاسوبية

من المفيد التمييز بين تقدير الوضع ومهام التعرف البصري الأخرى لفهم قيمته الفريدة في عمليات الرؤية الحاسوبية:

• كشف الأجسام: يركز على تحديد ماهية الكائن ومكانه، ويقوم بإخراج مربع مستطيل. يعامل الموضوع ككائن صلب دون فهم مفصلاته الداخلية.
• تجزئة المثيل: توليد قناع بكسل مثالي يحدد الشكل الدقيق للكائن. في حين أن التقسيم يوفر حدودًا، فإنه لا يحدد بشكل صريح المفاصل أو الروابط الهيكلية اللازمة للتحليل الحركي.
• تقدير الوضع: يستهدف بشكل خاص الهيكل الداخلي، ويرسم خريطة للوصلات بين معالم محددة مسبقًا (مثل الورك والركبة ) لتحليل الوضع والحركة.

تطبيقات واقعية

أدت القدرة على رقمنة حركة الإنسان والأشياء إلى تطبيقات تحويلية في مختلف الصناعات، وغالبًا ما يتم تدريبها باستخدام أدوات مثل Ultralytics لإدارة مجموعات البيانات الكبيرة من النقاط الرئيسية المُعلّقة.

الرعاية الصحية وإعادة التأهيل

في المجال الطبي، تستخدم الذكاء الاصطناعي في الرعاية الصحية تقدير الوضع لمراقبة إعادة تأهيل المرضى عن بُعد. من خلال تتبع زوايا المفاصل ونطاق الحركة، يمكن للأنظمة الآلية ضمان قيام المرضى بأداء تمارين العلاج الطبيعي بشكل صحيح في المنزل. وهذا يقلل من خطر إعادة الإصابة ويسمح للأطباء بتقييم تقدم التعافي دون الحاجة إلى معدات مختبرية باهظة الثمن.

التحليلات الرياضية

يستفيد المدربون والرياضيون من تحليلات الرياضة لتحسين الأداء. يمكن لنماذج تقدير الوضع تحليل مستوى ضربة لاعب الجولف، وطول خطوة العداء، أو الميكانيكا الحيوية للرامي دون الحاجة إلى بدلات العلامات المزعجة المستخدمة في التقاط الحركة التقليدي. وهذا يوفر ردود فعل فورية قائمة على البيانات لتحسين التقنية ومنع الإصابات الناتجة عن الإفراط في الاستخدام.

تحليل السلوك والتجزئة

في البيئات التجارية، تستخدم الذكاء الاصطناعي في أنظمة البيع بالتجزئة اكتشاف الوضع لفهم سلوك العملاء، مثل الوصول إلى المنتجات الموجودة على الرفوف العالية أو التوقف في ممرات معينة . تساعد هذه البيانات على تحسين تخطيط المتاجر وتحسين إدارة المخزون من خلال ربط الإجراءات المادية بقرارات الشراء.

مثال على الكود: تقدير الوضعية باستخدام YOLO26

تنفيذ تقدير الوضع أمر بسيط مع التقنيات الحديثة Python الأطر. يوضح المثال التالي كيفية استخدام ultralytics حزمة لتحميل يولو26 نموذج (خليفة YOLO11) detect النقاط الرئيسية detect في الصورة.

from ultralytics import YOLO

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

# Perform inference on an image source
# The model identifies bounding boxes and specific keypoints (joints)
results = model("https://ultralytics.com/images/bus.jpg")

# Print the xy coordinates of detected keypoints
print(results[0].keypoints.xy)

# Visualize the skeletal results directly
results[0].show()