فهم الفيديو

فهم الفيديو هو فرع متطور من الرؤية الحاسوبية (CV) يركز على تمكين الآلات من إدراك البيانات المرئية وتحليلها وتفسيرها بمرور الوقت. على عكس التعرف على الصور القياسي، الذي يعالج اللقطات الثابتة بشكل منفصل، يتضمن فهم الفيديو تحليل تسلسل الإطارات لفهم الديناميكيات الزمنية والسياق والعلاقات السببية. من خلال معالجة "البعد الرابع" للوقت، يمكن لأنظمة الذكاء الاصطناعي أن تتجاوز مجرد التعرف على الأشياء إلى فهم الإجراءات والأحداث والسرد الذي يتكشف داخل المشهد. هذه القدرة ضرورية لإنشاء أنظمة ذكية يمكنها التفاعل بأمان وفعالية في بيئات ديناميكية واقعية.

المكونات الأساسية لتحليل الفيديو

لتفسير محتوى الفيديو بنجاح، يجب أن تجمع النماذج بين نوعين أساسيين من المعلومات: السمات المكانية (ما يوجد في الإطار) والسمات الزمنية (كيف تتغير الأشياء). وهذا يتطلب بنية معقدة تجمع غالبًا بين استراتيجيات متعددة للشبكات العصبية.

• الشبكات العصبية التلافيفية (CNNs): عادةً ما تعمل هذه الشبكات كعمود فقري مكاني، حيث تستخرج السمات البصرية مثل الأشكال والأنسجة والأشياء من الإطارات الفردية.
• الشبكات العصبية المتكررة (RNNs): تُستخدم بنى مثل وحدات الذاكرة الطويلة قصيرة المدى (LSTM) لمعالجة تسلسل الميزات المستخرجة بواسطة CNN، مما يسمح للنموذج "بتذكر" الإطارات السابقة وتوقع الحالات المستقبلية.
• التدفق البصري: تستخدم العديد من الأنظمة خوارزميات التدفق البصري لحساب متجهات حركة البكسلات بين الإطارات بشكل صريح، مما يوفر بيانات مهمة عن السرعة والاتجاه بغض النظر عن مظهر الكائن.
• محولات الرؤية (ViTs): تعتمد الأساليب الحديثة بشكل متزايد على آليات الانتباه لتقييم أهمية الإطارات أو المناطق المختلفة، مما يسمح للنموذج بالتركيز على الأحداث الرئيسية في مقطع فيديو طويل .

تطبيقات واقعية

أدت القدرة على فهم السياق الزمني إلى فتح الباب أمام الأتمتة المتقدمة في مختلف الصناعات.

• المركبات ذاتية القيادة: تستخدم السيارات ذاتية القيادة فهم الفيديو للتنبؤ بمسارات المشاة والمركبات الأخرى. من خلال تحليل أنماط الحركة، يمكن للنظام توقع الاصطدامات المحتملة وتنفيذ مناورات معقدة.
• التعرف على الإجراءات: في تحليلات الرياضة و مراقبة 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 للكشف عن الحالات الشاذة لتحديد السرقات أو تحليل أنماط حركة العملاء من أجل تحسين تخطيط المتجر.
• التعديل على المحتوى: تستخدم منصات الوسائط الكبيرة فهم الفيديو لوضع علامة تلقائية على المحتوى غير اللائق أو تصنيف التحميلات حسب الموضوع، مما يقلل بشكل كبير من الحاجة إلى المراجعة اليدوية.

التمييز بين المفاهيم ذات الصلة

في حين أن فهم الفيديو يشمل 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 لمثيل (مثل سيارة معينة) أثناء تحركها عبر الإطارات. يفهم الفيديو سلوك تلك السيارة، مثل التعرف على أنها "تتوقف" أو "تسرع".
• فهم الفيديو مقابل تقدير الوضع: يكتشف تقدير الوضع التكوين الهندسي لمفاصل الجسم في إطار واحد أو تسلسل. يستخدم فهم الفيديو هذه البيانات لاستنتاج معنى الحركة، مثل "التلويح بالتحية".
• فهم الفيديو مقابل الذكاء الاصطناعي متعدد الوسائط: بينما يركز فهم الفيديو على التسلسلات المرئية، يجمع الذكاء الاصطناعي متعدد الوسائط بين الفيديو والصوت والنص أو بيانات المستشعرات لإجراء تحليل أكثر شمولية.

تنفيذ تحليل الفيديو باستخدام YOLO26

تتمثل الخطوة الأساسية في فهم الفيديو في الكشف عن الكائنات وتتبعها بشكل قوي لإنشاء استمرارية زمنية . يوفر نموذج Ultralytics أداءً متطورًا للتتبع في الوقت الفعلي، والذي يعمل كخطوة تمهيدية لتحليل السلوك على مستوى أعلى.

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

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 الذي تم إحرازه، لا يزال فهم الفيديو عملية مكلفة من الناحية الحسابية بسبب الحجم الهائل للبيانات في تدفقات الفيديو عالية الدقة. قد يكون حساب FLOPS للتحويلات ثلاثية الأبعاد أو المحولات الزمنية أمرًا صعبًا بالنسبة لأجهزة الذكاء الاصطناعي المتطورة. لمعالجة هذه المشكلة، يعمل الباحثون على تطوير بنى فعالة مثل وحدة التحويل الزمني (TSM) والاستفادة من أدوات التحسين مثل NVIDIA TensorRT لتمكين الاستدلال في الوقت الفعلي.

تتجه التطورات المستقبلية نحو التعلم المتعدد الوسائط المتطور ، حيث تدمج النماذج الإشارات الصوتية (مثل صوت صفارة الإنذار) والسياق النصي لتحقيق فهم أعمق. كما تتطور منصات مثل Ultralytics لتبسيط عملية التعليق التوضيحي وإدارة مجموعات البيانات المرئية المعقدة، مما يسهل تدريب النماذج المخصصة لمهام زمنية محددة.