Keypoints

Anahtar noktalar, bir nesnenin veya öznenin önemli özelliklerini tanımlayan, görüntü içindeki belirgin uzamsal konumlardır veya referans noktalarıdır. Bilgisayarlı görü ve makine öğrenimi bağlamında anahtar nokta, genellikle bir nesnenin dirseği, bir binanın köşesi veya otomobil tekerleğinin merkezi gibi belirli bir bölümünü kesin olarak belirleyen bir koordinat kümesi (X, Y) ile temsil edilir. Yalnızca bir nesnenin varlığını belirleyen daha basit görevlerin aksine, anahtar noktaları belirlemek, yapay zekâ (AI) modellerinin öznenin geometrisini, duruşunu ve yapısal düzenini anlamasını sağlar. Bu yetenek, gelişmiş görsel analizin temelini oluşturur; makinelerin beden dilini yorumlamasına, hassas hareketleri izlemesine ve dijital katmanları gerçek dünyadaki nesnelerle hizalamasına olanak tanır.

Yapay Zekâ Modellerinde Anahtar Noktaların Rolü#

Anahtar noktalar, bir insanın veya hayvanın iskelet yapısını haritalayan bir teknik olan poz tahmini için temel veriyi oluşturur. Algoritmalar, omuzlar, dizler ve ayak bilekleri gibi önceden tanımlanmış bir nokta kümesini tespit ederek bir öznenin tam pozunu gerçek zamanlı olarak yeniden oluşturabilir. Bu süreç, genellikle bir nesnenin iç şeklini anlamadan nesnenin çevresine bir sınırlayıcı kutu çıkaran standart nesne tespitinin ötesine geçer.

Son teknoloji Ultralytics YOLO26 gibi modern mimariler, bu anahtar noktaları yüksek doğruluk ve hızla tahmin edecek şekilde geliştirilmiştir. Bu modeller, eklemler ve yüz özellikleriyle ilişkili görsel örüntüleri öğrenmek için COCO Keypoints gibi kapsamlı açıklamalı veri kümeleri üzerinde eğitilen derin öğrenme (DL) ağlarını kullanır. Çıkarım sırasında model, her anahtar noktanın koordinatlarını regresyon yoluyla tahmin eder ve çoğu zaman tahminin güvenilirliğini belirtmek için bir güven skoru da içerir.

Anahtar Noktalar ve İlgili Kavramlar#

Benzersiz kullanım alanlarını anlamak için anahtar noktaları bilgisayarlı görüdeki diğer yaygın çıktılardan ayırmak faydalıdır:

• Anahtar Noktalar ve Sınırlayıcı Kutular: Bir sınırlayıcı kutu, nesnenin tamamını bir dikdörtgen içine alarak kaba bir konumlandırma sağlar. Anahtar noktalar, bu nesnenin içindeki belirli bölümlerin daha ayrıntılı konumlandırılmasını sağlar.
• Anahtar Noktalar ve Görüntü Segmentasyonu: Görüntü segmentasyonu, nesnenin şeklinin hassas bir maskesini oluşturmak için her pikseli sınıflandırır. Segmentasyon ayrıntılı sınır bilgisi sunarken anahtar noktalar, hareketi ve kinematiği analiz etmek için genellikle daha verimli olan yapısal bir özet (bir "iskelet") sunar.
• Anahtar Noktalar ve Özellik Tanımlayıcıları: SIFT (Ölçekten Bağımsız Özellik Dönüşümü) gibi geleneksel görüntü işleme yöntemlerinde anahtar noktalar, görüntü eşleştirmede kullanılan ilgi noktalarıdır (köşeler, lekeler). Modern DL poz tahmininde ise anahtar noktalar, ağ tarafından öğrenilen anlamsal etiketlerdir (ör. "sol bilek").

Gerçek Dünya Uygulamaları#

Belirli vücut bölümlerini veya nesne özelliklerini izleme yeteneği, çeşitli sektörlerde farklı uygulamaların önünü açar:

• Spor Analitiği: Antrenörler ve sporcular, biyomekaniği analiz etmek için poz tahminini kullanır. Sistemler, eklemlerdeki anahtar noktaları izleyerek golf, tenis veya sprint gibi sporlarda tekniği geliştirmek üzere açıları ve hızları hesaplayabilir. Uygulanabilir geri bildirim sağlamak için Ultralytics YOLO modellerinin golf vuruşlarını nasıl izlediğini görün.
• Sağlık Hizmetleri ve Rehabilitasyon: Fizik tedavi platformları, hastaların egzersizlerini uzaktan izlemek için anahtar noktalardan yararlanır. Sistem, hastaların rehabilitasyon rutinleri sırasında doğru formu korumasını sağlayarak yaralanma riskini azaltır ve iyileşme sürecini takip eder.
• Artırılmış Gerçeklik (AR): Sosyal medya filtreleri ve sanal kıyafet deneme uygulamaları, dijital maskeleri veya gözlükleri kullanıcının yüzüne güvenli biçimde sabitlemek için yüz anahtar noktalarına (gözler, burun ve ağız hatları) dayanır ve kullanıcı hareket etse bile hizalamayı korur.
• Sürücü İzleme: Otomotiv güvenlik sistemleri, uykululuk veya dikkat dağınıklığı belirtilerini tespit etmek için yüz referans noktalarını izler ve sürücünün gözleri kapanırsa veya başının konumu dikkat eksikliğine işaret ederse sürücüyü uyarır.

Ultralytics YOLO26 ile Anahtar Nokta Tespiti Uygulama#

Geliştiriciler, Ultralytics Platformu veya Python SDK'yı kullanarak anahtar nokta tespitini kolayca uygulayabilir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26-pose modelinin nasıl yükleneceğini ve insan iskeletlerini tespit etmek üzere bir görüntü üzerinde çıkarımın nasıl çalıştırılacağını 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, gelişmiş bilgisayarlı görü (CV) uygulamalarının hızlı bir şekilde kullanıma alınmasını sağlar. Özel anahtar nokta modellerini eğitmek isteyen kullanıcılar için (örneğin endüstriyel makinelerdeki veya hayvan türlerindeki belirli noktaları tespit etmek üzere) Ultralytics Platformu, bulutta veri açıklama ve model eğitimi süreçlerini basitleştirir.

Gelişmiş Hususlar#

Anahtar nokta tespitini başarıyla kullanıma almak, örtülme (bir vücut bölümünün gizlenmesi) ve farklı aydınlatma koşulları gibi zorlukların ele alınmasını gerektirir. Modern modeller, eğitim sırasında sağlam veri artırma kullanarak ve ağı çeşitli senaryolara maruz bırakarak bu sorunların üstesinden gelir. Ayrıca anahtar noktaların nesne izleme algoritmalarıyla entegre edilmesi, video akışlarında kişilerin zaman içinde tutarlı biçimde tanımlanmasını sağlar; bu da güvenlik veya davranış analizi gibi uygulamalar için gereklidir.