Poz tahmin araçları için nihai kılavuz

İnsanlar olarak, hareketleri içgüdüsel olarak okuruz. Birisi öne eğildiğinde, başını çevirdiğinde veya kolunu kaldırdığında, ne yaptığını hemen anlayabilirsiniz. Bu, insanlarla nasıl etkileşim kurduğumuzu ve dünyayı nasıl keşfettiğimizi şekillendiren sessiz, neredeyse bilinçaltında olan bir beceridir.

Teknoloji günlük yaşamın daha büyük bir parçası haline geldikçe, cihazlarımızın hareketleri bizim kadar sorunsuz bir şekilde anlamasını istememiz doğaldır. Yapay zeka alanındaki son gelişmeler, özellikle derin öğrenme tabanlı ilerlemeler, bunu mümkün kılıyor. Özellikle bilgisayar görüşü, makinelerin görüntülerden ve videolardan anlam çıkarmasına yardımcı oluyor ve bu ilerlemeyi destekliyor.

Örneğin, poz tahmini, bir görüntü veya video karesinde önceden tanımlanmış vücut anahtar noktalarının (omuzlar, dirsekler, kalçalar ve dizler gibi) konumlarını tahmin eden yaygın bir bilgisayar görme görevidir. Bu anahtar noktalar, basitleştirilmiş bir poz temsili oluşturmak için sabit bir iskelet tanımı kullanılarak birbirine bağlanabilir. 

Ultralytics gibi bilgisayar görme modelleri Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics gibi bilgisayar görme modelleri, poz tahmini gibi görevleri destekler ve fitness ve sporda form geri bildirimi, güvenlik izleme ve etkileşimli artırılmış gerçeklik deneyimleri dahil olmak üzere gerçek zamanlı uygulamaları desteklemek için kullanılabilir.

‍

‍

Bu makalede, poz tahmin araçlarını derinlemesine inceleyecek ve poz tahminin nasıl çalıştığını, nerede kullanıldığını ve günümüzde mevcut olan en iyi modeller ve kütüphanelerden bazılarını göreceğiz. Hadi başlayalım!

Poz tahmini nedir?

Poz tahmini, bir sistemin bir kişi veya nesnenin bir görüntü veya videoda nasıl konumlandığını anlamasına yardımcı olan bir bilgisayar görme tekniğidir. Her pikseli eşit olarak analiz etmek yerine, baş, omuzlar, dirsekler, kalçalar, dizler ve ayak bilekleri gibi tutarlı bir dizi referans noktası tahmin eder. 

Çoğu model, bu kilit noktaların koordinatlarını ve her bir tahminin doğru olma olasılığını yansıtan bir puan verir. Bu kilit noktalar daha sonra önceden tanımlanmış bir iskelet düzeni kullanılarak birbirine bağlanarak basit bir poz temsili oluşturulabilir. 

Videolarda kare kare uygulandığında, elde edilen anahtar noktalar zaman içinde ilişkilendirilerek hareket tahmin edilebilir. Bu, form kontrolleri, hareket analizi ve jest tabanlı etkileşim gibi uygulamaları mümkün kılar.

Poz tahmin araçlarına duyulan ihtiyaç

İnsan hareketleri birçok bilgi içerir. Bir kişinin eğilme, uzanma veya ağırlığını kaydırma şekli, niyetini, çabasını, yorgunluğunu ve hatta yaralanma riskini ortaya çıkarabilir. Yakın zamana kadar, bu düzeyde ayrıntıları yakalamak için genellikle özel sensörler, hareket yakalama giysileri veya kontrollü laboratuvar ortamları gerekiyordu.

Poz tahmini bunu değiştirir. Normal görüntülerden ve videolardan önemli vücut noktalarını ayıklamak, bilgisayarların standart kameralar kullanarak hareketi analiz etmesini sağlar. Bu, hareket analizini gerçek dünya ortamlarında daha erişilebilir, ölçeklenebilir ve pratik hale getirir.

Poz tahmininin etkili olabileceği birkaç yol şunlardır:

• Daha güvenli işyerleri: Vizyon odaklı sistemler, yaralanmalar meydana gelmeden önce detect duruşları, tekrarlayan zorlanmaları veya güvenli olmayan kaldırma tekniklerini detect için kullanılabilir.
  
• Daha iyi fitness ve spor antrenmanı: Vision AI çözümleri, form, denge ve tekniği gerçek zamanlı olarak değerlendirebilir ve kullanıcılara giyilebilir cihazlar olmadan anında geri bildirim sağlar.
  
• Sağlık ve rehabilitasyon: Klinisyenler, basit video kayıtları kullanarak uzaktan track sürecini, duruşu ve hareket aralığını track edebilirler.
  
• Etkileşimli deneyimler: Poz tahmini, dijital avatarların ve sürükleyici ortamların insan hareketlerini doğru bir şekilde takip etmesini ve yansıtmasını kolaylaştırır.

Poz tahmin algoritmalarının evrimi

Pozları tahmin etme fikri yıllardır var. İlk yaklaşımlar basit geometrik modeller ve elle oluşturulmuş kurallar kullanıyordu ve genellikle sadece kontrollü koşullarda işe yarıyordu.

Örneğin, bir sistem, bir kişi sabit bir pozisyonda durduğunda iyi performans gösterebilir, ancak yürümeye, dönmeye veya gerçek dünya sahnelerindeki nesnelerle etkileşime girmeye başladığında bozulabilir. Bu yöntemler genellikle doğal hareketler, değişen kamera açıları, dağınık arka planlar ve kısmi örtülmelerle zorluklar yaşıyordu.

Modern poz tahmini, bu zorlukların üstesinden gelmek için derin öğrenmeye dayanır. Büyük etiketli veri kümeleri üzerinde evrişimli sinir ağlarını eğiterek, modeller farklı pozlar, kişiler ve ortamlar arasında detect daha güvenilir bir şekilde detect yardımcı olan görsel kalıpları öğrenirler. 

Daha fazla örnekle, model tahminlerini iyileştirir ve yeni sahnelere genelleme yapma becerisini geliştirir. Bu ilerleme sayesinde, poz tahmini artık işyeri izleme ve ergonomi ile spor analitiği gibi çok çeşitli pratik kullanım alanlarını desteklemektedir. Spor analitiğinde antrenörler ve analistler, sporcuların hareketlerini inceler.

Poz tahmin tekniklerinin türleri

Poz tahmini, ayarlara ve ölçmeniz gerekenlere bağlı olarak birkaç farklı şekilde gerçekleştirilir. Karşılaşabileceğiniz başlıca türler şunlardır:

• 2D poz tahmini: Bu yaklaşım, iki boyutlu bir görüntü veya video karesinde vücudun kilit noktalarını algılar. Standart kameralarla iyi çalışır ve hesaplama açısından verimlidir, bu da onu temel hareket izleme, duruş analizi ve gerçek zamanlı form geri bildirimi gibi görevler için uygun hale getirir.
• 3D poz tahmini: Görüntü koordinatlarına ek olarak derinliği de tahmin ederek, 3D poz tahmini vücut hareketlerinin uzamsal olarak anlaşılmasını sağlar. Bu, spor analizi, rehabilitasyon, biyomekanik ve animasyon gibi ileri ve geri hareketlerin önemli olduğu durumlarda özellikle yararlıdır. Özellikle, 3D insan poz tahmini, 3D uzayda eklem pozisyonlarını ve hareketleri yakalayarak, 2D projeksiyonlarda ortaya çıkabilecek belirsizliği azaltır.
• Tek kişilik poz tahmini: Bu sistemler, bir seferde track kişiyi track için tasarlanmıştır. Rehberli egzersiz uygulamaları, video görüşmeleri veya hareket analizi kurulumları gibi, deneğin açıkça görülebildiği kontrollü veya yarı kontrollü ortamlarda en iyi performansı gösterme eğilimindedirler.
• Çoklu kişi poz tahmini: Birden fazla kişinin bulunduğu sahneler için tasarlanan bu yaklaşım, birkaç kişinin pozlarını aynı anda algılar ve izler. Bu yaklaşım, işyerleri, spor salonları, kamusal alanlar ve grup etkinlikleri gibi yoğun ortamlarda, nesnelerin birbiriyle çakışabileceği veya birbirini engelleyebileceği durumlarda özellikle yararlıdır.

‍

İnsan duruşu tahmin modellerinin nasıl çalıştığını anlamak

Poz tahmini birçok nesneye uygulanabilir, ancak işleri basit tutmak için insan poz tahminine odaklanalım.

Çoğu insan duruşu tahmin sistemi, büyük resim ve video karesi koleksiyonlarında önemli vücut bölümlerinin etiketlendiği, açıklamalı veri kümeleri üzerinde eğitilir. Model, bu örnekleri kullanarak omuzlar, dirsekler, kalçalar, dizler ve ayak bilekleri gibi insan vücudunun belirgin noktalarıyla bağlantılı görsel kalıpları öğrenir, böylece yeni sahnelerde önemli noktaları doğru bir şekilde tahmin edebilir.

Bir diğer önemli husus ise, modelin çıkarım mimarisidir. Bu mimari, kilit noktaları nasıl algıladığını ve bunları tam pozlara nasıl birleştirdiğini belirler. Bazı sistemler önce detect kişiyi detect , ardından her bir kişinin bölgesindeki kilit noktaları tahmin ederken, diğerleri ise tüm görüntüdeki detect ve bunları bireyler halinde gruplandırır. Yeni tek aşamalı tasarımlar, pozları tek geçişte tahmin edebilir ve gerçek zamanlı kullanım için hız ve doğruluk arasında denge sağlayabilir.

Şimdi, farklı poz tahmin yaklaşımlarını ayrıntılı olarak inceleyelim. 

Aşağıdan yukarıya poz tahmini

Aşağıdan yukarıya yaklaşımda, model tüm görüntüyü inceler ve önce baş, omuzlar, dirsekler, kalçalar, dizler ve ayak bilekleri gibi vücudun kilit noktalarını bulur. Bu aşamada, insanları ayırmaya çalışmaz. Sadece sahnedeki poz iskeleti tarafından tanımlanan tüm kilit noktaları veya vücut eklemlerini algılar.

Bundan sonra, sistem noktaları birleştirmek için ikinci bir adım atar. Birbirine ait olan kilit noktaları birbirine bağlar ve bunları kişi başına bir tane olmak üzere tam iskeletler halinde gruplandırır. detect kişiyi önce detect gerekmediğinden, aşağıdan yukarıya yöntemler genellikle insanların üst üste bindiği, farklı boyutlarda göründüğü veya kısmen gizlendiği kalabalık sahnelerde iyi sonuç verir.

Yukarıdan aşağıya poz algılama

Buna karşılık, yukarıdan aşağıya sistemler önce görüntüdeki her bir kişiyi algılamaya başlar. Her bireyin etrafına bir sınırlayıcı kutu yerleştirir ve her kutuyu analiz edilecek ayrı bir bölge olarak ele alır.

Bir kişi izole edildiğinde, model o bölgedeki vücut anahtar noktalarını tahmin eder. Bu adım adım kurulum, özellikle sahnede sadece birkaç kişi varsa ve her kişi açıkça görünüyorsa, genellikle çok doğru sonuçlar verir.

Tek aşamalı veya hibrit poz tahmini

Tek aşamalı, bazen hibrit olarak da adlandırılan modeller, tek geçişte pozları tahmin eder. Önce kişi algılama, sonra anahtar nokta tahmini yapmak yerine, kişinin konumunu ve vücudun anahtar noktalarını aynı anda çıkarırlar.

Her şey tek bir modülde gerçekleştiği için, bu modeller genellikle daha hızlı ve daha verimlidir, bu da onları canlı hareket izleme ve hareket yakalama gibi gerçek zamanlı kullanımlar için çok uygun hale getirir. Ultralytics YOLO11 gibi modeller bu fikir etrafındaYOLO11 hız ile güvenilir kilit nokta tahminleri arasında denge sağlamayı amaçlamaktadır.

Poz tahmin modellerinin eğitimi ve değerlendirilmesi

Kullanılan yaklaşım ne olursa olsun, bir poz tahmin modeli gerçek dünyada güvenilir hale gelmeden önce dikkatlice eğitilmeli ve test edilmelidir. Genellikle, vücut anahtar noktalarının etiketlendiği büyük görüntü kümelerinden (ve bazen videolardan) öğrenir ve bu da farklı pozları, kamera açılarını ve ortamları işlemek için yardımcı olur.

Tanınmış bazı poz tahmin veri kümeleri arasında COCO , MPII Human Pose, CrowdPose ve OCHuman bulunur. Bu veri kümeleri, modelin dağıtım sırasında karşılaşacağı koşulları yansıtmadığında, mühendisler genellikle fabrika zemini, spor salonu veya klinik gibi hedef ortamdan ek görüntüler toplar ve etiketler.

‍

Eğitimden sonra, modelin performansı, doğruluk ve sağlamlığı ölçmek ve gerçek dünya kullanımı için daha fazla ayarlamaya rehberlik etmek amacıyla standart kriterlere göre değerlendirilir. Sonuçlar genellikle mAP olarak bilinen ortalama ortalama hassasiyet kullanılarak raporlanır. Bu, tahmin edilen pozları etiketlenmiş gerçek değerlerle karşılaştırarak farklı güven eşikleri arasındaki performansı özetler.

Birçok poz benchmarkında, tahmin edilen poz, Nesne Anahtar Noktası Benzerliği (OKS) kullanılarak gerçek pozla eşleştirilir. OKS, kişinin ölçeği ve her anahtar noktanın tipik konumlandırma zorluğu gibi faktörleri hesaba katarak, tahmin edilen anahtar noktaların anotlanmış anahtar noktalara ne kadar yakın olduğunu ölçer. 

Pose modelleri ayrıca algılanan kişiler ve bireysel kilit noktalar için güven puanları da verir. Bu puanlar modelin güvenini yansıtır ve tahminleri sıralamak ve filtrelemek için kullanılır. Bu, örtülme, hareket bulanıklığı veya olağandışı kamera açıları gibi zorlu koşullarda özellikle önemlidir.

Popüler poz tahmin araçları ve kütüphaneleri

Günümüzde birçok poz tahmin aracı mevcuttur ve her biri hız, doğruluk ve kullanım kolaylığı arasında denge kurmaktadır. En yaygın kullanılan araç ve kütüphanelerden bazıları şunlardır:

• Ultralytics YOLO11: Son teknoloji açık kaynaklı bir Görsel Yapay Zeka modeli olarak geliştirilen YOLO11 , önceki modellerden YOLO11 . Ultralytics YOLOv8gibi önceki modeller üzerine geliştirilmiştir. Poz tahmini dahil olmak üzere çeşitli bilgisayar görme görevlerini desteklerken hız, doğruluk ve genel verimliliği artırır. Dizüstü bilgisayarlardan uç cihazlara kadar tüm platformlarda güçlü performans gösteren YOLO11 , birçok gerçek dünya uygulaması için mükemmel bir YOLO11 .
• Ultralytics : Yakında piyasaya çıkacak olan bu yeni nesil model, yüksek doğruluğu korurken daha hafif, daha küçük ve daha hızlı olacak şekilde tasarlanmıştır. Gerçek zamanlı kullanım ve daha kolay dağıtım için geliştirilen bu model, nesne algılama, örnek segmentasyonu ve poz tahmini gibi görevleri, uç cihazlardan daha büyük sistemlere kadar her şeye uygun model boyutlarında destekler.
• MediaPipe: Görme ve makine öğrenimi boru hatları oluşturmak için kullanılan çapraz platformlu bir çerçevedir. Hafif olup mobil cihazlarda, tabletlerde ve web uygulamalarında verimli bir şekilde çalışır. Tam vücut duruşu, yüz işaret noktaları ve el izleme için kullanıma hazır çözümler ve modeller içerir.
• OpenPose: Bu uçtan uca açık kaynaklı poz tahmin sistemi, çoklu kişi anahtar nokta algılama ile yaygın olarak bilinir. Vücut, el ve yüz anahtar noktalarını birlikte tahmin edebilir ve genellikle araştırma, animasyon ve hareket analizinde kullanılır.
• MMPose: MMPose, OpenMMLab ekosisteminden PyTorch bir poz tahmin araç setidir. Birçok model uygulaması, eğitim yardımcı programı ve yapılandırma seçeneği sunarak deneyler ve derinlemesine özelleştirme için kullanışlıdır.
• HRNet ve AlphaPose: Bunlar, bugün hala araştırmalarda kullanılan eski poz tahmin modelleridir. HRNet, ağ boyunca yüksek çözünürlüklü görüntü özelliklerini koruyan bir poz modeli mimarisidir ve bu sayede kilit noktaları hassas bir şekilde konumlandırır. AlphaPose, kalabalık veya karmaşık sahnelerde yüksek doğruluk gerektiğinde yaygın olarak kullanılan, çok sayıda kişiyi kapsayan bir poz tahmin sistemidir.

Poz analizi ve tahmininin gerçek dünyadaki uygulamaları

Poz tahmini, sıradan videoları yararlı hareket bilgilerine dönüştürmek için giderek daha fazla kullanılmaktadır. Vücudun kilit noktalarını kare kare takip ederek, bu sistemler kamera görüntülerinden duruş, hareket ve fiziksel davranışları çıkarabilir, bu da bu teknolojinin birçok gerçek dünya ortamında pratik olmasını sağlar.

Örneğin, sağlık ve rehabilitasyon alanında, poz izleme, klinisyenlerin hastanın tedavi ve iyileşme sürecinde nasıl hareket ettiğini görmelerine ve ölçmelerine yardımcı olabilir. Sıradan video kayıtlarından vücut referans noktalarını çıkararak, zaman içindeki duruş, hareket aralığı ve genel hareket kalıplarını değerlendirmek için kullanılabilir. Bu ölçümler, geleneksel klinik değerlendirmeleri destekleyebilir ve optimize edebilir ve bazı durumlarda, giyilebilir sensörler veya özel ekipmanlara ihtiyaç duymadan track kolaylaştırabilir.

Benzer şekilde, spor ve yayıncılıkta, poz tahmini, sporcuların hareketlerini doğrudan video görüntülerinden analiz edebilir. İlginç bir örnek, profesyonel sporlarda hakemlik ve yayın grafikleri için kullanılan kamera tabanlı bir izleme sistemi olan Hawk-Eye'dır. Bu sistem, kamera görüntülerinden sporcunun vücudundaki kilit noktaları tahmin ederek iskelet izleme de sağlar.

Doğru poz tahmin aracını seçme

Doğru poz tahmin aracını seçmek, bilgisayar görme projenizin ihtiyaçlarını anlamakla başlar. Bazı uygulamalar gerçek zamanlı hızı önceliklendirirken, diğerleri daha yüksek doğruluk ve ayrıntı gerektirir. 

Hedef dağıtım cihazı da fark yaratır. Mobil uygulamalar ve uç cihazlar genellikle hafif, verimli modeller gerektirirken, daha büyük modeller genellikle sunucular veya bulut ortamları için daha uygundur.

Buna ek olarak, kullanım kolaylığı da önemli bir rol oynayabilir. İyi bir dokümantasyon, sorunsuz bir dağıtım ve özel eğitim desteği, projenizi kolaylaştırabilir. 

Basitçe söylemek gerekirse, farklı araçlar farklı alanlarda üstünlük sağlar. Örneğin, Ultralytics YOLO , birçok gerçek dünya poz tahmin uygulaması için hız, doğruluk ve dağıtım kolaylığı arasında pratik bir denge sağlar.

Önemli çıkarımlar

Poz tahmini, görüntüler ve videolardaki vücut anahtar noktalarını algılayarak bilgisayarların insan hareketlerini anlamasına yardımcı olur. YOLO11 YOLO26 gibi modeller, spor, sağlık hizmetleri, işyeri güvenliği ve etkileşimli deneyimler gibi alanlar için gerçek zamanlı uygulamalar oluşturmayı kolaylaştırır. Modeller giderek daha hızlı ve daha doğru hale geldikçe, poz tahmini birçok Görsel Yapay Zeka sisteminde yaygın bir özellik haline gelmesi muhtemeldir.

AI hakkında daha fazla bilgi edinmek ister misiniz? Topluluğumuzu ve GitHub deposunu inceleyin. Robotikte AI ve üretimde bilgisayar görüşü hakkında bilgi edinmek için çözüm sayfalarımızı keşfedin. Lisans seçeneklerimizi keşfedin ve bugün bilgisayar görüşü ile geliştirmeye başlayın!