Action Recognition

Il riconoscimento delle azioni, comunemente noto anche come Human Activity Recognition (HAR), è un sottoinsieme dinamico della computer vision (CV) che si occupa di identificare e classificare specifici comportamenti o movimenti eseguiti dai soggetti nei dati video. Mentre la tradizionale object detection risponde alla domanda "cosa c'è nell'immagine?", il riconoscimento delle azioni affronta la domanda più complessa "cosa sta succedendo nel tempo?". Analizzando sequenze di fotogrammi anziché immagini statiche, i modelli di machine learning (ML) possono distinguere tra attività complesse come "camminare", "andare in bicicletta", "cadere" o "stringersi la mano", rendendolo un componente cruciale per la costruzione di sistemi intelligenti che comprendono 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 (il loro movimento nel tempo). Per ottenere ciò, i moderni sistemi di intelligenza artificiale (AI) impiegano spesso architetture specializzate che vanno oltre le standard convolutional neural networks (CNNs).

• Pose Estimation: Una tecnica potente in cui il modello traccia specifici keypoints sul corpo umano, come gomiti, ginocchia e spalle. I cambiamenti geometrici di questi keypoints nel tempo forniscono un forte segnale per classificare le azioni, indipendentemente dal disordine dello sfondo.
• Modellazione temporale: Gli algoritmi utilizzano strutture come Recurrent Neural Networks (RNNs) o reti Long Short-Term Memory (LSTM) per ricordare i fotogrammi passati e prevedere le azioni future. Più recentemente, i Video Transformers hanno guadagnato popolarità per la loro capacità di gestire dipendenze a lungo raggio nei flussi video.
• Reti a due flussi: Questo approccio elabora le caratteristiche spaziali (fotogrammi RGB) e le caratteristiche temporali (spesso utilizzando il flusso ottico) in flussi paralleli, fondendo i dati per effettuare la classificazione finale.

Applicazioni nel mondo reale#

La capacità di interpretare automaticamente il movimento umano ha un potenziale trasformativo in vari settori, migliorando sicurezza, efficienza ed esperienza utente.

• AI in Healthcare: Il riconoscimento delle azioni è vitale per i sistemi di monitoraggio dei pazienti. Ad esempio, consente il rilevamento automatico delle cadute nelle case di cura, avvisando immediatamente il personale se un paziente crolla. Viene anche utilizzato nella riabilitazione fisica remota, dove i coach AI analizzano la forma fisica degli esercizi di un paziente per garantire 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 accesso non autorizzato, ignorando al contempo le attività benigne. Ciò riduce i falsi allarmi e migliora il monitoraggio della sicurezza in tempo reale.

Implementare l'analisi delle azioni con Ultralytics#

Un flusso di lavoro comune prevede prima il rilevamento delle persone e della loro posa scheletrica, per poi analizzare il movimento di quelle articolazioni. Il modello Ultralytics YOLO26 offre velocità e precisione all'avanguardia per la fase iniziale di stima della posa, che costituisce la base per molte pipeline di riconoscimento delle azioni.

Il seguente esempio mostra come estrarre i keypoints scheletrici da un frame 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 termini correlati#

È importante differenziare il riconoscimento delle azioni da attività di computer vision simili per assicurarsi di applicare i metodi corretti.

• Riconoscimento delle azioni vs. Object Tracking: L'object tracking si concentra sul mantenimento dell'identità di un oggetto o di una persona specifica mentre si muovono attraverso i fotogrammi (ad es., "La persona A si trova alle coordinate X"). Il riconoscimento delle azioni interpreta il comportamento di quel soggetto tracciato (ad es., "La persona A sta correndo").
• Riconoscimento delle azioni vs. Video Understanding: Mentre il riconoscimento delle azioni identifica atti fisici specifici, la comprensione video è un concetto più ampio che comporta la comprensione dell'intera narrazione, del contesto e delle relazioni causali all'interno di una scena video.

Sfide e tendenze future#

Lo sviluppo di modelli di riconoscimento delle azioni robusti presenta sfide, in particolare per quanto riguarda la necessità di dataset video ampi e annotati come Kinetics-400 o UCF101. Etichettare i dati video richiede molto più tempo rispetto all'etichettatura di immagini statiche. Per affrontare questo problema, strumenti come la Ultralytics Platform aiutano 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 risorse hardware significative. L'industria si sta orientando sempre più verso la Edge AI, ottimizzando i modelli per l'esecuzione diretta su telecamere e dispositivi mobili per ridurre la latenza e l'utilizzo di larghezza di banda. I progressi futuri mirano a migliorare la generalizzazione del modello, consentendo ai sistemi di riconoscere le azioni anche da punti di vista per i quali non sono stati esplicitamente addestrati.