Stichpunkte

Schlüsselpunkte sind bestimmte räumliche Positionen oder Orientierungspunkte innerhalb eines Bildes, die wichtige Merkmale eines Objekts oder Motivs definieren. Im Zusammenhang mit Computer Vision und maschinellem Lernen wird ein Schlüsselpunkt in der Regel durch einen Satz von Koordinaten (X, Y) dargestellt, die einen bestimmten Teil eines Objekts genau lokalisieren, beispielsweise den Ellbogen einer Person, die Ecke eines Gebäudes oder die Mitte eines Autorads. Im Gegensatz zu einfacheren Aufgaben, bei denen nur das Vorhandensein eines Objekts identifiziert wird, ermöglicht die Identifizierung von Schlüsselpunkten Modellen der künstlichen Intelligenz (KI), die Geometrie, Haltung und strukturelle Anordnung des Subjekts zu verstehen. Diese Fähigkeit ist grundlegend für die fortgeschrittene visuelle Analyse und ermöglicht es Maschinen, Körpersprache zu interpretieren, track Bewegungen track und digitale Überlagerungen mit Objekten der realen Welt abzugleichen.

Die Rolle von Schlüsselpunkten in KI-Modellen

Schlüsselpunkte dienen als grundlegende Daten für die Posenabschätzung, eine Technik, die die Skelettstruktur eines Menschen oder Tieres abbildet. Durch die Erkennung einer vordefinierten Reihe von Punkten – wie Schultern, Knien und Knöcheln – können Algorithmen die gesamte Pose eines Subjekts in Echtzeit rekonstruieren. Dieser Prozess geht über die Standard-Objekterkennung hinaus , die in der Regel einen Begrenzungsrahmen um ein Objekt ausgibt, ohne dessen innere Form zu verstehen.

Moderne Architekturen, wie das hochmoderne Ultralytics , wurden entwickelt, um diese Schlüsselpunkte mit hoher Genauigkeit und Geschwindigkeit vorherzusagen. Diese Modelle nutzen Deep-Learning-Netzwerke (DL), die auf riesigen annotierten Datensätzen wie COCO trainiert wurden, um die visuellen Muster zu lernen, die mit Gelenken und Gesichtsmerkmalen verbunden sind. Während der Inferenz regressiert das Modell die Koordinaten für jeden Schlüsselpunkt, oft einschließlich einer Konfidenzbewertung, um die Zuverlässigkeit der Vorhersage anzuzeigen.

Wichtige Punkte vs. verwandte Konzepte

Es ist hilfreich, Keypoints von anderen gängigen Computer-Vision-Ergebnissen zu unterscheiden, um ihren einzigartigen Nutzen zu verstehen:

• Keypoints vs. Bounding Boxes: Eine Bounding Box ermöglicht eine grobe Lokalisierung, indem sie das gesamte Objekt in einem Rechteck einschließt. Keypoints ermöglichen eine detaillierte Lokalisierung bestimmter Teile innerhalb dieses Objekts.
• Schlüsselpunkte vs. Bildsegmentierung: Bei der Bildsegmentierung wird jedes Pixel klassifiziert, um eine präzise Maske der Objektform zu erstellen. Während die Segmentierung detaillierte Informationen zu den Grenzen liefert, bieten Schlüsselpunkte eine strukturelle Zusammenfassung (ein „Skelett“), die für die Analyse von Bewegung und Kinematik oft effizienter ist.
• Schlüsselpunkte vs. Merkmalsdeskriptoren: In der traditionellen Bildverarbeitung wie SIFT (Scale-Invariant Feature Transform) sind Schlüsselpunkte Punkte von Interesse (Ecken, Blobs), die für den Bildabgleich verwendet werden. In der modernen DL-Posenabschätzung sind Schlüsselpunkte semantische Labels (z. B. „linkes Handgelenk”), die vom Netzwerk gelernt werden.

Anwendungsfälle in der Praxis

Die Möglichkeit, track Körperteile oder Objektmerkmale zu track , eröffnet vielfältige Anwendungsmöglichkeiten in verschiedenen Branchen:

• Sportanalytik: Trainer und Sportler nutzen die Posenschätzung zur Analyse der Biomechanik. Durch die Verfolgung von Schlüsselpunkten an Gelenken können Systeme Winkel und Geschwindigkeiten berechnen, um die Technik in Sportarten wie Golf, Tennis oder Sprint zu verbessern. Sehen Sie, wie Ultralytics YOLO track , um umsetzbares Feedback zu geben.
• Gesundheitswesen und Rehabilitation: Physiotherapieplattformen nutzen Keypoints, um die Übungen der Patienten aus der Ferne zu überwachen. Das System stellt sicher, dass die Patienten während der Rehabilitationsroutinen die richtige Form beibehalten, wodurch das Verletzungsrisiko verringert und der Genesungsfortschritt verfolgt wird.
• Augmented Reality (AR): Social-Media-Filter und virtuelle Anprobe-Anwendungen stützen sich auf Gesichtspunkte (Augen, Nase, Mundkonturen), um digitale Masken oder Brillen sicher am Gesicht eines Benutzers zu verankern und die Ausrichtung auch bei Bewegungen beizubehalten.
• Fahrerüberwachung: Sicherheitssysteme in Fahrzeugen track , um detect von Müdigkeit oder Ablenkung detect , und warnen den Fahrer, wenn sich seine Augen schließen oder seine Kopfhaltung auf mangelnde Aufmerksamkeit hindeutet.

Implementierung der Keypoint-Erkennung mit YOLO26

Mit der Ultralytics oder dem Python können Entwickler auf einfache Weise die Erkennung von Schlüsselpunkten implementieren. Das folgende Beispiel zeigt, wie ein vortrainiertes YOLO26-Pose-Modell geladen und eine Inferenz auf ein Bild angewendet wird, um menschliche Skelette detect

from ultralytics import YOLO

# Load a pre-trained YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results showing detected keypoints and skeletons
for result in results:
    result.show()  # Display the image with keypoints drawn

    # Access keypoint coordinates (x, y, confidence)
    keypoints = result.keypoints.data
    print(f"Detected keypoints shape: {keypoints.shape}")

Dieser einfache Arbeitsablauf ermöglicht die schnelle Bereitstellung anspruchsvoller Computer-Vision-Anwendungen (CV). Für Anwender, die ihre eigenen benutzerdefinierten Keypoint-Modelle trainieren möchten – beispielsweise um detect Punkte an Industriemaschinen oder Tierarten detect – vereinfacht die Ultralytics den Prozess der Datenannotation und des Modelltrainings in der Cloud.

Erweiterte Überlegungen

Die erfolgreiche Implementierung der Keypoint-Erkennung erfordert die Bewältigung von Herausforderungen wie Okklusion (wenn ein Körperteil verdeckt ist) und unterschiedlichen Lichtverhältnissen. Moderne Modelle begegnen diesem Problem durch eine robuste Datenvergrößerung während des Trainings, wodurch das Netzwerk unterschiedlichen Szenarien ausgesetzt wird. Darüber hinaus ermöglicht die Integration von Keypoints mit Objektverfolgungsalgorithmen eine konsistente Identifizierung von Personen über einen längeren Zeitraum in Videostreams, was für Anwendungen wie Sicherheit oder Verhaltensanalyse unerlässlich ist .