Action Recognition

Il riconoscimento delle azioni, noto anche come riconoscimento delle attività umane (HAR), è un sottocampo dinamico della visione artificiale (CV) che si occupa di identificare e classificare comportamenti o movimenti specifici eseguiti dai soggetti nei dati video. Mentre il tradizionale rilevamento degli oggetti risponde alla domanda "cosa c'è nell'immagine?", il riconoscimento delle azioni affronta la domanda più complessa "cosa sta accadendo nel tempo?". Analizzando sequenze di fotogrammi anziché immagini statiche, i modelli di apprendimento automatico (ML) possono distinguere tra attività articolate come "camminare", "andare in bicicletta", "cadere" o "stringere la mano", rendendolo un componente fondamentale per la creazione di sistemi intelligenti in grado di comprendere l'intento e il contesto umano.

Concetti e tecniche fondamentali#

Il riconoscimento delle azioni richiede che un modello elabori sia le informazioni spaziali (l'aspetto degli oggetti o delle persone) sia le informazioni temporali (come si muovono nel tempo). A questo scopo, i moderni sistemi di intelligenza artificiale (AI) impiegano spesso architetture specializzate che vanno oltre le reti neurali convoluzionali (CNNs) standard.

• Stima della posa: una tecnica potente in cui il modello traccia specifici punti chiave del corpo umano, come gomiti, ginocchia e spalle. Le variazioni geometriche di questi punti chiave nel tempo forniscono un segnale efficace per classificare le azioni, indipendentemente dalla confusione dello sfondo.
• Modellazione temporale: gli algoritmi utilizzano strutture come le reti neurali ricorrenti (RNNs) o le reti con memoria a breve e lungo termine (LSTM) per ricordare i fotogrammi passati e prevedere le azioni future. Più recentemente, i Transformer per video hanno acquisito popolarità grazie alla loro capacità di gestire dipendenze a lungo raggio nei flussi video.
• Reti a due flussi: questo approccio elabora in flussi paralleli le caratteristiche spaziali (fotogrammi RGB) e temporali (spesso utilizzando il flusso ottico), fondendo i dati per effettuare la classificazione finale.

Applicazioni nel mondo reale#

La capacità di interpretare automaticamente i movimenti umani ha un potenziale trasformativo in vari settori, migliorando la sicurezza, l'efficienza e l'esperienza degli utenti.

• IA nell'assistenza sanitaria: il riconoscimento delle azioni è fondamentale per i sistemi di monitoraggio dei pazienti. Ad esempio, consente il rilevamento automatico delle cadute nelle case di riposo, avvisando immediatamente il personale se un paziente crolla. Viene utilizzato anche nella riabilitazione fisica a distanza, dove i coach basati sull'IA analizzano la forma degli esercizi di un paziente per assicurarsi che esegua i movimenti correttamente e in sicurezza.
• Sorveglianza intelligente e sicurezza: oltre al semplice rilevamento del movimento, i sistemi di sicurezza avanzati utilizzano il riconoscimento delle azioni per identificare comportamenti sospetti, come risse, taccheggio o accessi non autorizzati, ignorando al contempo le attività innocue. Questo riduce i falsi allarmi e migliora il monitoraggio della sicurezza in tempo reale.

Implementazione dell'analisi delle azioni con Ultralytics#

Un flusso di lavoro comune prevede innanzitutto il rilevamento delle persone e della loro posa scheletrica, seguito dall'analisi del movimento delle articolazioni. Il modello Ultralytics YOLO26 offre velocità e accuratezza all'avanguardia per la fase iniziale di stima della posa, che costituisce la base di molte pipeline di riconoscimento delle azioni.

L'esempio seguente mostra come estrarre i punti chiave dello scheletro da un fotogramma video utilizzando Python:

from ultralytics import YOLO

# Load the YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

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

# Process results
for result in results:
    # Access the keypoints (x, y, visibility)
    if result.keypoints is not None:
        print(f"Detected keypoints shape: {result.keypoints.data.shape}")

Distinguere i termini correlati#

È importante distinguere il riconoscimento delle azioni da attività simili di visione artificiale per assicurarsi di applicare i metodi corretti.

• Riconoscimento delle azioni vs. tracking degli oggetti: il tracking degli oggetti si concentra sul mantenimento dell'identità di uno specifico oggetto o persona mentre si sposta tra i fotogrammi (ad esempio, "La persona A si trova alla coordinata X"). Il riconoscimento delle azioni interpreta il comportamento del soggetto tracciato (ad esempio, "La persona A sta correndo").
• Riconoscimento delle azioni vs. comprensione dei video: mentre il riconoscimento delle azioni identifica atti fisici specifici, la comprensione dei video è un concetto più ampio che prevede la comprensione dell'intera narrazione, del contesto e delle relazioni causali all'interno di una scena video.

Sfide e tendenze future#

Lo sviluppo di solidi modelli di riconoscimento delle azioni presenta delle difficoltà, in particolare per la necessità di grandi dataset video annotati come Kinetics-400 o UCF101. L'annotazione dei dati video richiede molto più tempo rispetto all'annotazione delle immagini statiche. Per affrontare questo problema, strumenti come la piattaforma Ultralytics contribuiscono a semplificare il flusso di lavoro di annotazione e addestramento.

Inoltre, l'efficienza computazionale è fondamentale. L'elaborazione di video ad alta risoluzione in tempo reale richiede notevoli risorse hardware. Il settore si sta orientando sempre più verso l'IA edge, ottimizzando i modelli per eseguirli direttamente su telecamere e dispositivi mobili, così da ridurre la latenza e l'utilizzo della banda. I progressi futuri mirano a migliorare la generalizzazione dei modelli, consentendo ai sistemi di riconoscere le azioni anche da punti di vista sui quali non sono stati addestrati esplicitamente.