Pose Estimation

تقدير الوضعية هو تقنية متخصصة في الرؤية الحاسوبية تتجاوز مجرد اكتشاف وجود الكائنات، لتفهم بنيتها الهندسية واتجاهها المادي. ففي حين يحيط اكتشاف الكائنات التقليدي الموضوعَ بمربع مستطيل بسيط، يحدد تقدير الوضعية نقاطًا دلالية محددة تُعرف باسم النقاط الرئيسية، مثل المفاصل في جسم الإنسان (المرفقين والركبتين والكتفين) أو الزوايا الهيكلية في المركبة. ومن خلال تحديد مواضع هذه المعالم، تستطيع نماذج تعلّم الآلة إعادة بناء تمثيل هيكلي للموضوع، مما يتيح للأنظمة تفسير لغة الجسد وديناميكيات الحركة والموضع الدقيق في فضاء ثنائي أو ثلاثي الأبعاد.

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

يعتمد تقدير الوضعية الحديث بدرجة كبيرة على بنيات التعلّم العميق المتطورة، وغالبًا ما يستخدم الشبكات العصبية الالتفافية (CNNs) لمعالجة البيانات المرئية. وتتبع الخوارزميات عمومًا إحدى الاستراتيجيتين الأساسيتين لتحديد النقاط الرئيسية:

• الأساليب من أعلى إلى أسفل: تستخدم هذه الطريقة أولًا نموذجًا لاكتشاف الكائنات لتحديد المثيلات الفردية داخل المربعات المحيطة. وبعد اقتصاص شخص أو كائن من الصورة الأكبر، يتنبأ مُقدِّر الوضعية بالنقاط الرئيسية داخل تلك المنطقة المحددة. وغالبًا ما تكون هذه الطريقة عالية الدقة، لكنها قد تعاني من ارتفاع زمن استدلال مع زيادة عدد الموضوعات في الإطار.
• الأساليب من أسفل إلى أعلى: على العكس، تكتشف هذه الاستراتيجية جميع النقاط الرئيسية المحتملة في الصورة بأكملها في الوقت نفسه (مثل العثور على كل «ركبة يسرى» في حشد)، ثم تستخدم خوارزميات الربط لتجميعها في هياكل عظمية فردية. ويُفضَّل هذا الأسلوب عمومًا من أجل الاستدلال في الوقت الفعلي في المشاهد المزدحمة، لأن التكلفة الحسابية تظل ثابتة نسبيًا بغض النظر عن عدد الأشخاص الموجودين.

تستخدم النماذج المتطورة مثل YOLO26 بنيات متقدمة شاملة من البداية إلى النهاية توازن بين هذه الاحتياجات، وتوفر تقديرًا سريعًا للوضعية مناسبًا للنشر على أجهزة الذكاء الاصطناعي الطرفي والمنصات المحمولة.

تمييز المصطلحات ذات الصلة في الرؤية الحاسوبية#

من المفيد التمييز بين تقدير الوضعية ومهام التعرّف البصري الأخرى لفهم قيمته الفريدة في سير عمل الرؤية الحاسوبية:

• اكتشاف الكائنات: يركز على تحديد ما هو الكائن وأين يوجد، ويُخرج مربعًا مستطيلًا. ويتعامل مع الموضوع بوصفه كائنًا صلبًا دون فهم مفاصله الداخلية.
• تجزئة المثيلات: تنشئ قناعًا دقيقًا على مستوى البكسل يحدد الشكل الدقيق للكائن. وعلى الرغم من أن التجزئة توفر الحدود، فإنها لا تحدد صراحةً المفاصل أو الوصلات الهيكلية اللازمة لـالتحليل الحركي.
• تقدير الوضعية: يستهدف البنية الداخلية تحديدًا، إذ يرسم الروابط بين المعالم المحددة مسبقًا (مثل الورك والركبة) لتحليل الوضعية والحركة.

التطبيقات الواقعية#

أدت القدرة على رقمنة حركة البشر والكائنات إلى تطبيقات تحويلية في مختلف الصناعات، وغالبًا ما تُدرَّب باستخدام أدوات مثل منصة Ultralytics لإدارة مجموعات البيانات الكبيرة من النقاط الرئيسية المشروحة.

الرعاية الصحية وإعادة التأهيل#

في المجال الطبي، يستخدم الذكاء الاصطناعي في الرعاية الصحية تقدير الوضعية لمراقبة إعادة تأهيل المرضى عن بُعد. ومن خلال تتبع زوايا المفاصل ومدى الحركة، تستطيع الأنظمة الآلية ضمان أداء المرضى تمارين العلاج الطبيعي بصورة صحيحة في المنزل. ويقلل ذلك من خطر الإصابة مجددًا، ويتيح للأطباء قياس مدى التقدم في التعافي دون الحاجة إلى معدات مختبرية باهظة التكلفة.

تحليلات الرياضة#

يستفيد المدربون والرياضيون من تحليلات الرياضة لتحسين الأداء. إذ تستطيع نماذج تقدير الوضعية تحليل مستوى تأرجح لاعب الغولف، أو طول خطوة العداء، أو الميكانيكا الحيوية للرامي، دون الحاجة إلى بدلات العلامات المتطفلة المستخدمة في التقاط الحركة التقليدي. ويوفر ذلك ملاحظات فورية قائمة على البيانات لتحسين الأسلوب والوقاية من إصابات الإفراط في الاستخدام.

تحليل البيع بالتجزئة والسلوك#

في البيئات التجارية، تستخدم أنظمة الذكاء الاصطناعي في البيع بالتجزئة اكتشاف الوضعية لفهم سلوك العملاء، مثل مد اليد للوصول إلى المنتجات الموجودة على الرفوف العالية أو البقاء في ممرات محددة. وتساعد هذه البيانات على تحسين تصميم المتاجر وتعزيز إدارة المخزون من خلال ربط الأفعال الجسدية بقرارات الشراء.

مثال برمجي: تقدير الوضعية باستخدام Ultralytics YOLO26#

يُعد تنفيذ تقدير الوضعية أمرًا مباشرًا باستخدام أطر عمل Python الحديثة. يوضح المثال التالي كيفية استخدام الحزمة ultralytics لتحميل نموذج YOLO26 مُدرَّب مسبقًا (خليفة YOLO11) واكتشاف النقاط الرئيسية البشرية في صورة.

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()