Video Understanding

يُعد فهم الفيديو فرعاً متطوراً من الرؤية الحاسوبية (CV) يركز على تمكين الآلات من إدراك البيانات المرئية وتحليلها وتفسيرها عبر الزمن. وعلى عكس التعرف على الصور التقليدي، الذي يعالج لقطات ثابتة بشكل منفصل، يتضمن فهم الفيديو تحليل تسلسلات من الإطارات لاستيعاب الديناميكيات الزمنية والسياق والعلاقات السببية. ومن خلال معالجة "البعد الرابع" المتمثل في الزمن، يمكن لأنظمة الذكاء الاصطناعي تجاوز مجرد تحديد الكائنات إلى فهم الإجراءات والأحداث والسرد الذي يتكشف داخل المشهد. هذه القدرة ضرورية لإنشاء أنظمة ذكية يمكنها التفاعل بأمان وفعالية في بيئات العالم الحقيقي الديناميكية.

Link to this sectionالمكونات الأساسية لتحليل الفيديو#

لتفسير محتوى الفيديو بنجاح، يجب على النماذج دمج نوعين أساسيين من المعلومات: السمات المكانية (ما الموجود في الإطار) والسمات الزمنية (كيف تتغير الأشياء). يتطلب هذا بنية معقدة تجمع غالباً بين استراتيجيات شبكات عصبية متعددة.

• الشبكات العصبية التلافيفية (CNNs): تعمل هذه الشبكات عادةً كعمود فقري مكاني، حيث تستخرج سمات مرئية مثل الأشكال والأنسجة والكائنات من الإطارات الفردية.
• الشبكات العصبية المتكررة (RNNs): تُستخدم بنيات مثل وحدات الذاكرة الطويلة قصيرة المدى (LSTM) لمعالجة تسلسل السمات المستخرجة بواسطة CNN، مما يسمح للنموذج "بتذكر" الإطارات السابقة والتنبؤ بالحالات المستقبلية.
• التدفق البصري (Optical Flow): تستخدم العديد من الأنظمة خوارزميات التدفق البصري لحساب متجهات حركة البكسلات بين الإطارات بشكل صريح، مما يوفر بيانات مهمة حول السرعة والاتجاه بشكل مستقل عن مظهر الكائن.
• محولات الرؤية (ViTs): تعتمد الأساليب الحديثة بشكل متزايد على آليات الانتباه لوزن أهمية الإطارات أو المناطق المختلفة، مما يسمح للنموذج بالتركيز على الأحداث الرئيسية في دفق فيديو طويل.

Link to this sectionتطبيقات العالم الحقيقي#

لقد فتحت القدرة على فهم السياق الزمني الباب أمام الأتمتة المتقدمة عبر مختلف الصناعات.

• المركبات ذاتية القيادة: تستخدم السيارات ذاتية القيادة فهم الفيديو للتنبؤ بمسارات المشاة والمركبات الأخرى. ومن خلال تحليل أنماط الحركة، يمكن للنظام توقع الاصطدامات المحتملة وتنفيذ مناورات معقدة.
• التعرف على الإجراءات: في تحليلات الرياضة ومراقبة الرعاية الصحية، تحدد الأنظمة أنشطة بشرية محددة - مثل تسجيل لاعب لهدف أو سقوط مريض - لتقديم رؤى أو تنبيهات آلية.
• التجزئة الذكية: تستخدم المتاجر هذه الأنظمة لـ كشف الشذوذ لتحديد السرقات أو لتحليل أنماط حركة العملاء لتحسين تخطيط المتجر بشكل أفضل.
• إشراف المحتوى: تستخدم منصات الوسائط الكبيرة فهم الفيديو للإبلاغ تلقائياً عن المحتوى غير اللائق أو تصنيف التحميلات حسب الموضوع، مما يقلل بشكل كبير من الحاجة إلى المراجعة اليدوية.

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

بينما يشمل فهم الفيديو مجموعة واسعة من القدرات، إلا أنه يختلف عن العديد من المصطلحات ذات الصلة في مجال الذكاء الاصطناعي.

• فهم الفيديو مقابل تتبع الكائنات: يركز التتبع على الحفاظ على الهوية الفريدة للمثيل (مثل سيارة معينة) أثناء تحركه عبر الإطارات. بينما يفسر فهم الفيديو سلوك تلك السيارة، مثل التعرف على أنها "تتوقف" أو "تسرع".
• فهم الفيديو مقابل تقدير الوضعية: يكتشف تقدير الوضعية التكوين الهندسي لمفاصل الجسم في إطار واحد أو تسلسل. ويستخدم فهم الفيديو هذه البيانات لاستنتاج معنى الحركة، مثل "التلويح بالترحيب".
• فهم الفيديو مقابل الذكاء الاصطناعي متعدد الوسائط: بينما يركز فهم الفيديو على التسلسلات المرئية، يجمع الذكاء الاصطناعي متعدد الوسائط بين الفيديو والصوت أو النص أو بيانات المستشعرات لتحليل أكثر شمولية.

Link to this sectionتنفيذ تحليل الفيديو باستخدام YOLO26#

تعد الخطوة الأساسية في فهم الفيديو هي الكشف عن الكائنات وتتبعها بقوة لإنشاء استمرارية زمنية. يوفر نموذج Ultralytics YOLO26 أداءً متطوراً للتتبع في الوقت الفعلي، والذي يعمل كتمهيد لتحليل السلوك عالي المستوى.

يوضح المثال التالي كيفية إجراء تتبع الكائنات على مصدر فيديو باستخدام Python API:

from ultralytics import YOLO

# Load the official YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video file with persistence to maintain IDs
# 'show=True' visualizes the tracking in real-time
results = model.track(source="path/to/video.mp4", persist=True, show=True)

Link to this sectionالتحديات والاتجاهات المستقبلية#

على الرغم من التقدم الكبير، لا يزال فهم الفيديو مكلفاً من الناحية الحسابية نظراً لحجم البيانات الهائل في دفقات الفيديو عالي الدقة. يمكن أن يكون حساب FLOPS للتلافيف ثلاثية الأبعاد أو محولات الزمن أمراً باهظاً لأجهزة الذكاء الاصطناعي الطرفي (Edge AI). ولمعالجة هذا، يطور الباحثون بنيات فعالة مثل وحدة التحول الزمني (TSM) ويستفيدون من أدوات التحسين مثل NVIDIA TensorRT لتمكين الاستدلال في الوقت الفعلي.

تتجه التطورات المستقبلية نحو التعلم متعدد الوسائط المتطور، حيث تدمج النماذج الإشارات الصوتية (مثل صوت صفارة الإنذار) والسياق النصي لتحقيق فهم أعمق. كما تتطور منصات مثل Ultralytics Platform لتبسيط عمليات التعليق التوضيحي وإدارة مجموعات بيانات الفيديو المعقدة، مما يسهل تدريب نماذج مخصصة لمهام زمنية محددة.