키포인트

키포인트는 이미지 내에서 특정 사물이나 장면의 뚜렷한 특징을 정의하는 구체적이고 정보가 풍부한 공간적 위치입니다. 컴퓨터 비전(CV) 분야에서 이러한 점들은 일반적으로 X, Y 좌표로 표현되며, 건물 모서리, 눈과 코 같은 얼굴 특징, 인체의 관절 등 중요한 관심 영역을 표시합니다. 모든 픽셀을 촘촘한 격자로 처리하는 방식과 달리, 이러한 드문드문하지만 의미론적으로 풍부한 점들에 집중함으로써 인공지능(AI) 모델은 기하학적 구조를 효율적으로 이해하고, 형태를 분석하며, 높은 정밀도로 track 수 있습니다. 이 개념은 단순히 대상의 존재나 위치가 아닌 구조적 이해를 요구하는 고급 작업의 기초가 됩니다.

비전 AI에서 키포인트의 역할

키포인트는 동적 물체의 구조를 매핑하는 기본 구성 요소 역할을 합니다. 여러 키포인트가 탐지되어 연결되면, 물체의 자세를 나타내는 골격 그래프 또는 와이어프레임을 형성합니다. 이는 자세 추정 분야에서 가장 흔히 적용되며, 딥러닝(DL) 알고리즘이 관절(어깨, 팔꿈치, 엉덩이, 무릎)의 위치를 예측하여 인간이나 동물의 자세를 재구성합니다.

Ultralytics 모델과 같은 고급 아키텍처를 활용함으로써 시스템은 입력 이미지에서 이러한 좌표를 놀라운 속도로 직접 회귀 분석할 수 있습니다. 이 과정은 복잡한 특징 추출을 수반하며, 신경망은 조명, 회전, 크기에 불변인 국소 패턴을 식별하는 법을 학습합니다. 키포인트는 물체의 상태를 압축한 요약이므로 계산 효율성이 높아 에지 컴퓨팅 장치에서의 실시간 추론에 이상적입니다.

키포인트와 관련 개념 구분하기

키포인트의 구체적인 유용성을 이해하려면, 이를 Ultralytics 플랫폼에서 발견되는 다른 주요 컴퓨터 비전 작업들과 비교해 보는 것이 도움이 됩니다:

• 키포인트 대 객체 탐지: 표준 탐지는 객체를 경계 상자로 둘러싸서 무엇이며 어디에 있는지 식별합니다. 그러나 상자는 객체를 경직된 직사각형으로 취급합니다. 키포인트는 상자 내부를 살펴 내부 관절, 자세 및 유연한 구조를 식별합니다.
• 키포인트 대 인스턴스 세분화: 세그멘테이션은 오브젝트의 실루엣을 픽셀 단위로 완벽하게 마스크를 생성합니다. 세그멘테이션은 궁극적인 궁극적인 경계 디테일을 제공하지만, 계산량이 더 많은 경우가 많습니다. 키포인트는 간소화된 구조적 요약을 제공하며, 종종 운동학이나 움직임 역학을 분석할 때 선호됩니다.
• 키포인트 대 데이터 어노테이션: 어노테이션은 데이터에 라벨을 붙이는 인간의 과정인 반면, 키포인트 검출은 모델의 예측입니다. 훈련 데이터셋을 생성하는 것은 특정 지점(예: "왼쪽 손목")을 수동으로 클릭하여 지도 학습을 통해 모델을 가르치는 것을 포함합니다.

실제 애플리케이션

피사체의 특정 지점을 track 수 있는 기능은 다양한 산업 분야에 걸쳐 다양한 애플리케이션의 가능성을 열어줍니다:

• 의료 및 재활분야의 인공지능: 물리 치료 애플리케이션은 환자의 운동을 원격으로 모니터링합니다. 신체 지점을 추적함으로써 시스템은 운동이 올바른 자세로 수행되도록 보장하여 효과적인 재활을 지원합니다. 이는 종종 환자의 관절 가동 범위를 이해하기 위해 자유도를 계산하는 과정을 포함합니다.
• 스포츠 분석: 코치와 선수들은 키포인트 감지 기술을 활용해 생체역학을 분석합니다. 골프 스윙이나 스프린트 동작 중 관절 간 각도를 추적함으로써, 시스템은 성능 최적화와 부상 예방을 위한 자동화된 피드백을 제공할 수 있습니다.
• 운전자 모니터링 시스템: 자동차 산업에서 얼굴 인식 시스템은 track 주요 지점(눈, 입) track 피로나 주의 산만 detect , 사고 예방을 위해 운전자에게 경고합니다.
• 증강 현실(AR): 소셜 미디어 필터와 가상 착용 앱에서 얼굴의 키포인트는 디지털 마스크나 안경이 사용자의 움직임과 완벽하게 정렬되도록 하여 정밀한 인간-컴퓨터 상호작용을 필요로 합니다.

키포인트 감지 구현

최신 라이브러리를 사용하면 사전 학습된 모델을 사용하여 키포인트 감지를 간단하게 구현할 수 있습니다. 그리고 ultralytics 패키지는 YOLO26과 같은 최신 모델에 즉시 접근할 수 있도록 제공합니다. YOLO11다음과 같은 데이터셋으로 훈련될 수 있습니다. COCO 또는 호랑이 자세.

다음 예제는 포즈 추정 모델을 로드하고 탐지된 키포인트를 시각화하는 방법을 Python 사용하여 보여줍니다:

from ultralytics import YOLO

# Load a pretrained YOLO26n-pose model
model = YOLO("yolo26n-pose.pt")

# Run inference on a local image
results = model("path/to/runner.jpg")

# Visualize the results, showing the skeletal keypoints
results[0].show()

이 워크플로우에서 모델은 좌표와 a를 포함하는 결과 객체를 출력합니다. 신뢰 점수 로 설정할 수 있습니다. 개발자는 다음을 수행할 수 있습니다. 이러한 원시 x, y 값을 사용하여 헬스장 애플리케이션에서 반복 횟수를 계산하거나 를 통해 게임 캐릭터를 제어하는 것과 같은 모션 캡처.