Anahtar Noktalar

Anahtar noktalar, bir görüntü içinde bir nesnenin veya nesnelerin farklı özelliklerini tanımlayan kesin, bilgilendirici uzamsal konumlardır. sahne. Bilgisayarla görme alanında, bu koordinatları (tipik olarak X ve Y değerleri olarak temsil edilirler), bir binanın köşeleri gibi önemli ilgi noktalarını işaretler. bina, bir gözün merkezi veya bir insan vücudunun eklemleri. Bir görüntüdeki her pikseli işlemekten farklı olarak Bu seyrek, anlamsal olarak zengin noktalar yapay zeka (AI) modelleri geometriyi etkin bir şekilde anlayabilir, şekilleri analiz edebilir ve hareketi yüksek hassasiyetle track edebilir. Bu kavram temeldir Konunun sadece varlığı veya konumundan ziyade yapısal olarak anlaşılmasını gerektiren ileri düzey görevlere.

Görme Yapay Zekasında Anahtar Noktaların Rolü

Anahtar noktalar, dinamik nesnelerin yapısını eşlemek için temel yapı taşları olarak hizmet eder. Birden fazla Anahtar noktalar tespit edilip bağlandığında, nesnenin duruşunu temsil eden bir iskelet grafiği veya tel çerçeve oluştururlar. Bu en yaygın olarak poz tahmininde uygulanır, burada algoritmaları, insan duruşunu yeniden yapılandırmak için anatomik eklemlerin (omuzlar, dirsekler, kalçalar ve dizler) konumunu tahmin eder.

gibi derin öğrenme mimarilerinden yararlanarak YOLO11sistemler bu koordinatları doğrudan giriş görüntülerinden regresyona tabi tutabilir. Bu süreç şunları içerir ağın öğrenmeyi öğrendiği karmaşık özellik çıkarma aydınlatma, döndürme ve ölçekten etkilenmeyen yerel desenleri tanımlar. Elde edilen veriler hafiftir ve hesaplama açısından verimli, bu da onu uç cihazlarda gerçek zamanlı çıkarım.

Kilit Noktaları İlgili Kavramlardan Ayırt Etme

Anahtar noktaların özel faydasını anlamak için, bunları diğer birincil bilgisayarla görme yöntemleriyle karşılaştırmak yararlı olacaktır görevler:

• Anahtar Noktalar ve Nesne Algılama: Standart algılama, bir nesnenin ne olduğunu ve nerede olduğunu, onu bir sınırlayıcı kutu. Ancak, kutu nesneyi şu şekilde ele alır katı bir dikdörtgen. Anahtar noktalar, iç eklemlenmeyi ve duruşu belirlemek için kutunun içine bakar.
• Anahtar Noktalar vs. Örnek Segmentasyonu: Segmentasyon, nesnenin siluetinin piksel açısından mükemmel bir maskesini oluşturur. Segmentasyon nihai görüntüyü sağlarken sınır detayı, genellikle hesaplama açısından daha ağırdır. Anahtar noktalar basitleştirilmiş bir yapısal özet sağlar, genellikle kinematik veya hareket dinamiklerini analiz ederken tercih edilir.
• Anahtar Noktalar ve Veri Ek Açıklamaları: Ek açıklama, insanların verileri etiketleme sürecidir; kilit nokta tespiti ise modelin tahminidir. Oluşturma veri kümesi, modeli eğitmek için belirli noktalara (örneğin, "sol bilek") manuel olarak tıklamayı içerir.

Gerçek Dünya Uygulamaları

Bir konudaki belirli noktaları track etme yeteneği, çeşitli sektörlerde farklı uygulamalara kapı açar:

• Spor Analitiği: Antrenörler ve sporcular biyomekaniği analiz etmek için anahtar nokta tespitini kullanır. Spor sırasında eklemler arasındaki açıları takip ederek sistemler, performansı optimize etmek ve yaralanmaları önlemek için otomatik geri bildirim sağlayabilir. Bu genellikle hesaplamayı içerir aralığını anlamak için serbestlik dereceleri Hareket.
• Robotikte Yapay Zeka: Robotlar aşağıdakilere güvenir nesne kavrama ve manipülasyon için anahtar noktalar. Bir nesne üzerindeki belirli kavrama noktalarının belirlenmesi, robotik bir kolun hesaplamak için ters kinematik ve konum son efektörünü doğru şekilde kullanmalıdır.
• Sağlık Hizmetlerinde Yapay Zeka: Fiziksel terapi uygulamaları hasta egzersizlerini uzaktan izler. Sistem, vücut işaretlerini takip ederek egzersizlerin doğru formda gerçekleştirilir ve etkili rehabilitasyona yardımcı olur.
• Artırılmış Gerçeklik (AR): Sosyal hayatta medya filtreleri ve sanal deneme uygulamaları, yüzdeki kilit noktalar (yüz işaretleri) dijital maskelerin veya gözlüklerin kullanıcının hareketleriyle mükemmel uyum sağlar.

Anahtar Nokta Tespitinin Uygulanması

Modern kütüphaneler, önceden eğitilmiş modeller kullanarak anahtar nokta tespitini uygulamayı kolaylaştırır. Anahtar nokta ultralytics paketi aşağıdakilere anında erişim sağlar YOLO11 gibi büyük veri kümeleri üzerinde eğitilmiş modeller COCO insan eklemlerini tanımlamak için.

Aşağıdaki örnekte bir poz tahmin modelinin nasıl yükleneceği ve tespit edilen kilit noktaların nasıl görselleştirileceği gösterilmektedir:

from ultralytics import YOLO

# Load a pretrained YOLO11n-pose model
model = YOLO("yolo11n-pose.pt")

# Run inference on a local image or URL
results = model("https://docs.ultralytics.com/tasks/detect/")

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

Bu iş akışında, model aşağıdaki çıktıları verir Keypoints nesnesi ve koordinatları içeren bir güven puanı tespit edilen her nokta için. Geliştiriciler şunları yapabilir bu ham maddeleri x, y Bir spor salonu uygulamasında tekrarları saymak gibi özel mantık oluşturmak için değerler veya aracılığıyla bir oyun karakterini kontrol etmek insan-bilgisayar etkileşimi.