Pose Estimation

تقدير الوضعية هو تقنية متخصصة في الرؤية الحاسوبية تتجاوز مجرد اكتشاف وجود الأشياء لتصل إلى فهم بنيتها الهندسية وتوجهها المادي. بينما يرسم اكتشاف الأشياء القياسي صندوقاً مستطيلاً بسيطاً حول الموضوع، يحدد تقدير الوضعية نقاطاً دلالية محددة، تُعرف باسم النقاط الرئيسية، مثل المفاصل في جسم الإنسان (المرفقين، الركبتين، الكتفين) أو الزوايا الهيكلية في المركبة. من خلال تعيين هذه العلامات، يمكن لنماذج تعلم الآلة إعادة بناء تمثيل هيكلي للموضوع، مما يُمكّن الأنظمة من تفسير لغة الجسد وديناميكيات الحركة والتموضع الدقيق في الفضاء ثنائي أو ثلاثي الأبعاد.

Link to this sectionالآليات الأساسية: من الأعلى إلى الأسفل مقابل من الأسفل إلى الأعلى#

يعتمد تقدير الوضعية الحديث بشكل كبير على بنيات التعلم العميق المتطورة، وغالباً ما يستخدم الشبكات العصبية التلافيفية (CNNs) لمعالجة البيانات المرئية. تتبع الخوارزميات عموماً واحدة من استراتيجيتين أساسيتين لتحديد النقاط الرئيسية:

• النهج من الأعلى إلى الأسفل (Top-Down Approaches): تستخدم هذه الطريقة أولاً نموذج اكتشاف أشياء لتحديد مواقع الحالات الفردية ضمن صناديق التحديد. بمجرد اقتصاص شخص أو شيء من الصورة الأكبر، يتنبأ مُقدّر الوضعية بالنقاط الرئيسية داخل تلك المنطقة المحددة. غالباً ما يكون هذا النهج عالي الدقة ولكنه قد يعاني من تأخير استنتاج أعلى مع زيادة عدد الموضوعات في الإطار.
• النهج من الأسفل إلى الأعلى (Bottom-Up Approaches): 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) ثم تستخدم خوارزميات الربط لتجميعها في هياكل عظمية فردية. يُفضل هذا النهج عموماً لـ الاستنتاج في الوقت الفعلي في المشاهد المزدحمة لأن التكلفة الحسابية تظل ثابتة نسبياً بغض النظر عن عدد الأشخاص الموجودين.

تستخدم النماذج الحديثة مثل YOLO26 بنيات متطورة من الطرف إلى الطرف توازن بين هذه الاحتياجات، مما يوفر تقديراً عالي السرعة للوضعية مناسباً للنشر على أجهزة الذكاء الاصطناعي الطرفي والمنصات المحمولة.

Link to this sectionتمييز مصطلحات الرؤية الحاسوبية ذات الصلة#

من المفيد التمييز بين تقدير الوضعية ومهام التعرف المرئي الأخرى لفهم قيمته الفريدة في مهام عمل الرؤية الحاسوبية:

• اكتشاف الأشياء: يركز على تحديد ما هو الشيء وأين يوجد، ويخرج صندوقاً مستطيلاً. وهو يعامل الموضوع كجسم صلب دون فهم مفاصله الداخلية.
• تجزئة النسخ: ينشئ قناعاً دقيقاً للبكسل يحدد الشكل الدقيق للشيء. بينما توفر التجزئة الحدود، فإنها لا تحدد بشكل صريح المفاصل أو الروابط الهيكلية المطلوبة لـ التحليل الكينماتيكي.
• تقدير الوضعية: يستهدف على وجه التحديد البنية الداخلية، ويرسم روابط بين معالم محددة مسبقاً (على سبيل المثال، الورك إلى الركبة) لتحليل الوضعية والحركة.

Link to this sectionتطبيقات العالم الحقيقي#

أدت القدرة على رقمنة حركة الإنسان والأشياء إلى تطبيقات تحويلية عبر مختلف الصناعات، وغالباً ما يتم تدريبها باستخدام أدوات مثل منصة Ultralytics لإدارة مجموعات بيانات ضخمة من النقاط الرئيسية المشروحة.

Link to this sectionالرعاية الصحية وإعادة التأهيل#

في المجال الطبي، يستخدم الذكاء الاصطناعي في الرعاية الصحية تقدير الوضعية لمراقبة إعادة تأهيل المريض عن بُعد. من خلال تتبع زوايا المفاصل ونطاق الحركة، يمكن للأنظمة المؤتمتة التأكد من أن المرضى يؤدون تمارين العلاج الطبيعي بشكل صحيح في المنزل. وهذا يقلل من خطر إعادة الإصابة ويسمح للأطباء بقياس تقدم التعافي دون الحاجة إلى معدات مختبرية باهظة الثمن.

Link to this sectionتحليلات الرياضة#

يستفيد المدربون والرياضيون من تحليلات الرياضة لتحسين الأداء. يمكن لنماذج تقدير الوضعية تحليل مستوى أرجوحة لاعب الجولف، أو طول خطوة العداء، أو الميكانيكا الحيوية للاعب البيسبول دون الحاجة إلى بدلات علامات تطفلية تستخدم في التقاط الحركة التقليدي. يوفر هذا تعليقات فورية تعتمد على البيانات لتحسين التقنية ومنع إصابات الإجهاد المتكرر.

Link to this sectionتجارة التجزئة وتحليل السلوك#

في البيئات التجارية، تستخدم أنظمة الذكاء الاصطناعي في تجارة التجزئة اكتشاف الوضعية لفهم سلوك العملاء، مثل الوصول إلى المنتجات على الأرفف العالية أو التواجد في ممرات معينة. تساعد هذه البيانات في تحسين تخطيط المتجر وتحسين إدارة المخزون من خلال ربط الإجراءات البدنية بقرارات الشراء.

Link to this sectionمثال برمجي: تقدير الوضعية باستخدام YOLO26#

تنفيذ تقدير الوضعية مباشر مع أطر عمل Python الحديثة. يوضح المثال التالي كيفية استخدام حزمة ultralytics لتحميل نموذج YOLO26 مدرب مسبقاً (خليفة YOLO11) واكتشاف النقاط الرئيسية البشرية في صورة ما.

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()