Keypoints

Anahtar noktalar, bir görüntü içinde nesnenin veya öznenin önemli özelliklerini tanımlayan belirgin konumsal konumlar veya işaretlerdir. Bilgisayarlı görü ve makine öğrenimi bağlamında, anahtar nokta genellikle bir nesnenin belirli bir kısmını (örneğin bir kişinin dirseği, bir binanın köşesi veya bir araba tekerleğinin merkezi) tam olarak belirten bir koordinat seti (X, Y) ile temsil edilir. Sadece bir nesnenin varlığını tespit eden daha basit görevlerin aksine, anahtar noktaların tanımlanması yapay zeka (AI) modellerinin öznenin geometrisini, duruşunu ve yapısal düzenini anlamasını sağlar. Bu yetenek, makinelerin vücut dilini yorumlamasını, hassas hareketleri izlemesini ve dijital kaplamaları gerçek dünya nesneleriyle hizalamasını sağlayan gelişmiş görsel analiz için temeldir.

Link to this sectionAI Modellerinde Anahtar Noktaların Rolü#

Anahtar noktalar, bir insanın veya hayvanın iskelet yapısını haritalayan bir teknik olan poz tahmini için temel verileri oluşturur. Algoritmalar; omuzlar, dizler ve ayak bilekleri gibi önceden tanımlanmış bir nokta setini tespit ederek bir öznenin tam duruşunu gerçek zamanlı olarak yeniden oluşturabilir. Bu süreç, genellikle nesnenin iç yapısını anlamadan nesnenin etrafında bir sınırlayıcı kutu (bounding box) döndüren standart nesne algılamanın ötesine geçer.

Modern architectures, such as the state-of-the-art Ultralytics YOLO26, have evolved to predict these keypoints with high accuracy and speed. These models utilize deep learning (DL) networks trained on massive annotated datasets, such as COCO Keypoints, to learn the visual patterns associated with joints and facial features. During inference, the model regresses the coordinates for each keypoint, often including a confidence score to indicate the reliability of the prediction.

Link to this sectionAnahtar Noktalar ve İlgili Kavramlar#

Benzersiz kullanımlarını anlamak için anahtar noktaları diğer yaygın bilgisayarlı görü çıktılarından ayırmak yararlıdır:

• Anahtar Noktalar vs. Sınırlayıcı Kutular (Bounding Boxes): Bir sınırlayıcı kutu, tüm nesneyi bir dikdörtgen içine alarak kaba bir konumlandırma sağlar. Anahtar noktalar ise nesne içindeki belirli parçaların hassas konumlandırılmasını sağlar.
• Anahtar Noktalar vs. Görüntü Segmentasyonu: Görüntü segmentasyonu, nesnenin şeklinin hassas bir maskesini oluşturmak için her pikseli sınıflandırır. Segmentasyon ayrıntılı sınır bilgisi sunarken, anahtar noktalar hareket ve kinematiği analiz etmek için genellikle daha verimli olan yapısal bir özet ("iskelet") sunar.
• Anahtar Noktalar vs. Öznitelik Tanımlayıcılar: SIFT (Ölçekten Bağımsız Öznitelik Dönüşümü) gibi geleneksel görüntü işlemede anahtar noktalar, görüntü eşleştirme için kullanılan ilgi noktalarıdır (köşeler, lekeler). Modern derin öğrenme (DL) poz tahmininde ise anahtar noktalar, ağ tarafından öğrenilen anlamsal etiketlerdir (örneğin, "sol bilek").

Link to this sectionGerçek Dünya Uygulamaları#

Belirli vücut kısımlarını veya nesne özelliklerini izleme yeteneği, endüstriler genelinde çeşitli uygulamaların kapısını açar:

• Spor Analitiği: Antrenörler ve sporcular biyomekaniği analiz etmek için poz tahminini kullanır. Sistemler, eklemlerdeki anahtar noktaları izleyerek golf, tenis veya koşu gibi sporlarda tekniği geliştirmek için açıları ve hızları hesaplayabilir. Ultralytics YOLO modellerinin golf vuruşlarını nasıl izlediğini ve nasıl eyleme dönüştürülebilir geri bildirim sağladığını incele.
• Sağlık ve Rehabilitasyon: Fizik tedavi platformları, hastaların egzersizlerini uzaktan izlemek için anahtar noktalardan yararlanır. Sistem, rehabilitasyon rutinleri sırasında hastaların doğru formu korumasını sağlayarak yaralanma riskini azaltır ve iyileşme sürecini takip eder.
• Artırılmış Gerçeklik (AR): Sosyal medya filtreleri ve sanal deneme uygulamaları, dijital maskeleri veya gözlükleri kullanıcının yüzüne güvenli bir şekilde sabitlemek ve hareket etseler bile hizalamayı korumak için yüzdeki anahtar noktalara (göz, burun, ağız hatları) güvenir.
• Sürücü İzleme: Otomotiv güvenlik sistemleri, uyuklama veya dikkat dağınıklığı belirtilerini tespit etmek için yüzdeki işaretleri izler; sürücünün gözleri kapandığında veya kafa pozisyonu dikkat eksikliğine işaret ettiğinde sürücüyü uyarır.

Link to this sectionYOLO26 ile Anahtar Nokta Algılamayı Uygulama#

Ultralytics Platform veya Python SDK'yı kullanarak, anahtar nokta algılamayı kolayca uygulayabilirsin. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26-pose modelinin nasıl yükleneceğini ve insan iskeletlerini tespit etmek için bir görüntü üzerinde nasıl çıkarım yapılacağını gösterir.

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}")

Bu basit iş akışı, sofistike bilgisayarlı görü (CV) uygulamalarının hızla dağıtılmasına olanak tanır. Endüstriyel makineler veya hayvan türleri üzerindeki belirli noktaları tespit etmek gibi kendi özel anahtar nokta modellerini eğitmek isteyen kullanıcılar için Ultralytics Platform, bulutta veri etiketleme ve model eğitimi sürecini basitleştirir.

Link to this sectionİleri Düzey Hususlar#

Anahtar nokta algılamayı başarıyla dağıtmak, tıkanıklık (bir vücut kısmının gizlendiği durumlar) ve farklı aydınlatma koşulları gibi zorlukların yönetilmesini gerektirir. Modern modeller, eğitim sırasında güçlü veri artırma yöntemleriyle bu sorunu aşar ve ağı çeşitli senaryolarla karşı karşıya bırakır. Ayrıca, anahtar noktaların nesne izleme algoritmalarıyla entegre edilmesi, güvenlik veya davranış analizi gibi uygulamalar için gerekli olan video akışlarında bireylerin zaman içinde tutarlı bir şekilde tanımlanmasını sağlar.