Video Understanding

فهم الفيديو هو فرع متقدم من الرؤية الحاسوبية (CV) يركز على تمكين الآلات من إدراك البيانات المرئية وتحليلها وتفسيرها بمرور الوقت. وعلى خلاف التعرّف على الصور التقليدي، الذي يعالج اللقطات الثابتة كلٌّ على حدة، يتضمن فهم الفيديو تحليل تسلسلات الإطارات لاستيعاب الديناميكيات الزمنية والسياق والعلاقات السببية. ومن خلال معالجة «البعد الرابع» المتمثل في الزمن، تستطيع أنظمة الذكاء الاصطناعي تجاوز مجرد تحديد الكائنات إلى فهم الأفعال والأحداث والسرد المتكشف داخل المشهد. وتُعد هذه القدرة ضرورية لإنشاء أنظمة ذكية يمكنها التفاعل بأمان وفعالية في البيئات الديناميكية للعالم الحقيقي.

المكونات الأساسية لتحليل الفيديو#

لتفسير محتوى الفيديو بنجاح، يجب على النماذج دمج نوعين أساسيين من المعلومات: السمات المكانية (ما الموجود في الإطار) والسمات الزمنية (كيفية تغير الأشياء). ويتطلب ذلك بنية معقدة تجمع غالبًا بين استراتيجيات متعددة للشبكات العصبية.

• الشبكات العصبية الالتفافية (CNNs): تعمل هذه الشبكات عادةً بمثابة العمود الفقري المكاني، إذ تستخرج السمات المرئية مثل الأشكال والأنسجة والكائنات من الإطارات الفردية.
• الشبكات العصبية التكرارية (RNNs): تُستخدم بنيات مثل وحدات الذاكرة طويلة وقصيرة الأمد (LSTM) لمعالجة تسلسل السمات المستخرجة بواسطة CNN، مما يسمح للنموذج «بتذكّر» الإطارات السابقة والتنبؤ بالحالات المستقبلية.
• التدفق البصري: تستخدم أنظمة كثيرة خوارزميات التدفق البصري لحساب متجهات حركة وحدات البكسل بين الإطارات بشكل صريح، مما يوفر بيانات مهمة حول السرعة والاتجاه بصرف النظر عن مظهر الكائن.
• محوّلات الرؤية (ViTs): تعتمد الأساليب الحديثة بصورة متزايدة على آليات الانتباه لتقييم أهمية الإطارات أو المناطق المختلفة، مما يسمح للنموذج بالتركيز على الأحداث الرئيسية في تدفق فيديو طويل.

التطبيقات الواقعية#

لقد أتاحت القدرة على فهم السياق الزمني أتمتة متقدمة عبر صناعات متنوعة.

• المركبات ذاتية القيادة: تستخدم السيارات ذاتية القيادة فهم الفيديو للتنبؤ بمسارات المشاة والمركبات الأخرى. ومن خلال تحليل أنماط الحركة، يستطيع النظام توقّع الاصطدامات المحتملة وتنفيذ مناورات معقدة.
• التعرّف على الأفعال: في تحليلات الرياضة ومراقبة الرعاية الصحية، تحدد الأنظمة أنشطة بشرية محددة—مثل تسجيل لاعب هدفًا أو سقوط مريض—لتوفير رؤى أو تنبيهات آلية.
• التجزئة الذكية: تستخدم المتاجر هذه الأنظمة في اكتشاف الحالات الشاذة لتحديد السرقات أو تحليل أنماط حركة العملاء لتحسين تصميم المتجر.
• الإشراف على المحتوى: تستخدم المنصات الإعلامية الكبرى فهم الفيديو لوضع علامات تلقائية على المحتوى غير الملائم أو تصنيف التحميلات حسب الموضوع، مما يقلل كثيرًا الحاجة إلى المراجعة اليدوية.

التمييز بين المفاهيم ذات الصلة#

على الرغم من أن فهم الفيديو يشمل نطاقًا واسعًا من القدرات، فإنه يختلف عن عدة مصطلحات ذات صلة في مجال الذكاء الاصطناعي.

• فهم الفيديو مقابل تتبّع الكائنات: يركز التتبّع على الحفاظ على الهوية الفريدة لمثيل ما (مثل سيارة محددة) أثناء انتقاله عبر الإطارات. أما فهم الفيديو فيفسر سلوك تلك السيارة، مثل التعرّف على أنها «تركن» أو «تتجاوز السرعة».
• فهم الفيديو مقابل تقدير الوضعية: يكتشف تقدير الوضعية التكوين الهندسي لمفاصل الجسم في إطار واحد أو تسلسل من الإطارات. ويستخدم فهم الفيديو هذه البيانات لاستنتاج معنى الحركة، مثل «التلويح للتحية».
• فهم الفيديو مقابل الذكاء الاصطناعي متعدد الوسائط: بينما يركز فهم الفيديو على التسلسلات المرئية، يدمج الذكاء الاصطناعي متعدد الوسائط الفيديو مع الصوت أو النص أو بيانات المستشعرات لإجراء تحليل أكثر شمولية.

تنفيذ تحليل الفيديو باستخدام Ultralytics YOLO26#

تتمثل خطوة أساسية في فهم الفيديو في اكتشاف الكائنات وتتبعها بمتانة لإرساء الاستمرارية الزمنية. ويوفر نموذج Ultralytics YOLO26 أداءً متطورًا لتتبّع الكائنات في الوقت الفعلي، وهو ما يشكل تمهيدًا لتحليل السلوك على مستوى أعلى.

يوضح المثال التالي كيفية تنفيذ تتبّع 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)

التحديات والاتجاهات المستقبلية#

على الرغم من التقدم الكبير، يظل فهم الفيديو مكلفًا حسابيًا بسبب الحجم الهائل للبيانات في تدفقات الفيديو عالية الدقة. وقد يكون حساب FLOPS للالتفافات ثلاثية الأبعاد أو المحوّلات الزمنية أمرًا مرهقًا بالنسبة إلى أجهزة الذكاء الاصطناعي الطرفي. ولمعالجة ذلك، يطور الباحثون بنيات فعّالة مثل وحدة الإزاحة الزمنية (TSM)، ويستفيدون من أدوات تحسين مثل NVIDIA TensorRT لتمكين الاستدلال في الوقت الفعلي.

تتجه التطورات المستقبلية نحو التعلّم متعدد الوسائط المتقدم، حيث تدمج النماذج الإشارات الصوتية (مثل صفارة إنذار) والسياق النصي لتحقيق فهم أعمق. كما تتطور منصات مثل منصة Ultralytics لتبسيط وسم مجموعات بيانات الفيديو المعقدة وإدارتها، مما يسهّل تدريب نماذج مخصصة لمهام زمنية محددة.