Keypoints

Ключевые точки — это отдельные пространственные положения или ориентиры на изображении, определяющие значимые признаки объекта или предмета. В контексте компьютерного зрения и машинного обучения ключевая точка обычно представляется набором координат (X, Y), указывающих на конкретную часть объекта, например локоть человека, угол здания или центр колеса автомобиля. В отличие от более простых задач, в которых определяется только наличие объекта, выявление ключевых точек позволяет моделям искусственного интеллекта (AI) понимать геометрию, позу и структурное расположение предмета. Эта возможность играет фундаментальную роль в расширенном визуальном анализе, позволяя машинам интерпретировать язык тела, отслеживать точные движения и выравнивать цифровые наложения относительно объектов реального мира.

Роль ключевых точек в моделях AI#

Ключевые точки служат основой данных для оценки позы — метода, который отображает скелетную структуру человека или животного. Обнаруживая заранее определённый набор точек, например плечи, колени и лодыжки, алгоритмы могут восстанавливать полную позу предмета в реальном времени. Этот процесс выходит за рамки стандартного обнаружения объектов, которое обычно выдаёт ограничивающую рамку вокруг объекта, не учитывая его внутреннюю форму.

Современные архитектуры, такие как передовая Ultralytics YOLO26, научились предсказывать эти ключевые точки с высокой точностью и скоростью. В этих моделях используются сети глубокого обучения (DL), обученные на огромных размеченных наборах данных, таких как COCO Keypoints, чтобы изучать визуальные закономерности, связанные с суставами и чертами лица. Во время инференса модель регрессирует координаты каждой ключевой точки, часто добавляя оценку уверенности, которая указывает на надёжность предсказания.

Ключевые точки и связанные понятия#

Чтобы понять уникальную пользу ключевых точек, полезно отличать их от других распространённых результатов работы систем компьютерного зрения:

• Ключевые точки и ограничивающие рамки: Ограничивающая рамка обеспечивает грубую локализацию, заключая весь объект в прямоугольник. Ключевые точки обеспечивают детальную локализацию конкретных частей внутри этого объекта.
• Ключевые точки и сегментация изображений: Сегментация изображений классифицирует каждый пиксель, создавая точную маску формы объекта. Сегментация предоставляет подробную информацию о границах, тогда как ключевые точки дают структурное представление («скелет»), которое часто эффективнее использовать для анализа движения и кинематики.
• Ключевые точки и дескрипторы признаков: В традиционной обработке изображений, например при использовании SIFT (масштабно-инвариантное преобразование признаков), ключевые точки — это особые точки (углы, области), используемые для сопоставления изображений. В современном оценивании позы с помощью DL ключевые точки представляют собой семантические метки (например, «левое запястье»), которым сеть обучается.

Практические применения#

Возможность отслеживать определённые части тела или признаки объектов открывает разнообразные варианты применения в разных отраслях:

• Спортивная аналитика: Тренеры и спортсмены используют оценку позы для анализа биомеханики. Отслеживая ключевые точки на суставах, системы могут рассчитывать углы и скорости, чтобы улучшать технику в таких видах спорта, как гольф, теннис или спринт. Узнай, как модели Ultralytics YOLO отслеживают замахи в гольфе, предоставляя практические рекомендации.
• Здравоохранение и реабилитация: Платформы физиотерапии используют ключевые точки для удалённого контроля упражнений пациентов. Система помогает пациентам сохранять правильную технику во время реабилитационных упражнений, снижая риск травм и отслеживая прогресс восстановления.
• Дополненная реальность (AR): Фильтры социальных сетей и приложения виртуальной примерки используют ключевые точки лица (глаза, нос, контуры рта), чтобы надёжно закреплять цифровые маски или очки на лице пользователя и сохранять выравнивание даже во время движения.
• Мониторинг водителя: Системы автомобильной безопасности отслеживают лицевые ориентиры, чтобы обнаруживать признаки сонливости или отвлечённости и предупреждать водителя, если он закрывает глаза или положение головы указывает на недостаток внимания.

Реализация обнаружения ключевых точек с помощью Ultralytics YOLO26#

С помощью Ultralytics Platform или Python SDK разработчики могут легко реализовать обнаружение ключевых точек. В следующем примере показано, как загрузить предварительно обученную модель YOLO26-pose и выполнить инференс изображения для обнаружения человеческих скелетов.

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}")

Этот простой рабочий процесс позволяет быстро развёртывать сложные приложения компьютерного зрения (CV). Пользователям, которые хотят обучить собственные модели ключевых точек, например для обнаружения определённых точек на промышленном оборудовании или у животных разных видов, Ultralytics Platform упрощает процесс разметки данных и обучения моделей в облаке.

Расширенные аспекты#

Для успешного развёртывания обнаружения ключевых точек необходимо учитывать такие сложности, как окклюзия (когда часть тела скрыта) и разнообразные условия освещения. Современные модели решают эту проблему с помощью устойчивой аугментации данных во время обучения, знакомя сеть с различными сценариями. Кроме того, интеграция ключевых точек с алгоритмами отслеживания объектов обеспечивает стабильную идентификацию людей с течением времени в видеопотоках, что необходимо для таких приложений, как безопасность или анализ поведения.