Keypoints

Anahtar noktalar, bir nesnenin veya öznenin önemli özelliklerini tanımlayan bir görüntü içindeki belirgin uzamsal konumlar veya simge yapılardır. Bilgisayarlı görü ve makine öğrenimi bağlamında, bir anahtar nokta tipik olarak bir kişinin dirseği, bir binanın köşesi veya bir araba tekerleğinin merkezi gibi bir nesnenin belirli bir kısmını belirleyen bir koordinat kümesi (X, Y) ile temsil edilir. Yalnızca bir nesnenin varlığını belirleyen daha basit görevlerin aksine, anahtar noktaları belirlemek artificial intelligence (AI) modellerinin öznenin geometrisini, duruşunu ve yapısal düzenlemesini anlamasını sağlar. Bu yetenek gelişmiş görsel analiz için temeldir ve makinelerin beden dilini yorumlamasına, hassas hareketleri izlemesine ve dijital kaplamaları gerçek dünya nesneleriyle hizalamasına olanak tanır.

AI Modellerinde Anahtar Noktaların Rolü#

Anahtar noktalar, bir insan veya hayvanın iskelet yapısını haritalandıran bir teknik olan pose estimation için temel veriler olarak hizmet eder. Omuzlar, dizler ve ayak bilekleri gibi önceden tanımlanmış bir nokta kümesini tespit ederek algoritmalar bir öznenin tüm pozunu gerçek zamanlı olarak yeniden oluşturabilir. Bu işlem, genellikle dahili şeklini anlamadan bir nesnenin etrafında bir sınırlayıcı kutu çıktılayan standart object detection özelliğinin ötesine geçer.

En son teknoloji ürünü Ultralytics YOLO26 gibi modern mimariler, bu anahtar noktaları yüksek doğruluk ve hızla tahmin edecek şekilde evrimleşmiştir. Bu modeller, eklemler ve yüz özellikleri ile ilişkili görsel örüntüleri öğrenmek için COCO Keypoints gibi büyük açıklamalı veri kümeleri üzerinde eğitilmiş deep learning (DL) ağlarını kullanır. Çıkarım sırasında model, tahminin güvenilirliğini belirtmek için genellikle bir güven skoru dahil olmak üzere her bir anahtar noktanın koordinatlarını regresyona tabi tutar.

Anahtar Noktalar ve İlgili Kavramlar#

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

• Keypoints vs. Bounding Boxes: bounding box, tüm nesneyi bir dikdörtgen içine alarak kaba bir yerelleştirme sağlar. Anahtar noktalar, bu nesnenin içindeki belirli parçaların hassas bir şekilde yerelleştirilmesini sağlar.
• Keypoints vs. Image Segmentation: Image segmentation, nesnenin şeklinin hassas bir maskesini oluşturmak için her pikseli sınıflandırır. Segmentasyon ayrıntılı sınır bilgisi sunarken, anahtar noktalar hareket ve kinematics analizi için genellikle daha verimli olan yapısal bir özet ("iskelet") sunar.
• Keypoints vs. Feature Descriptors: SIFT (Scale-Invariant Feature Transform) gibi geleneksel görüntü işlemede anahtar noktalar, görüntü eşleştirme için kullanılan ilgi noktalarıdır (köşeler, kümeler). Modern DL poz tahmininde anahtar noktalar ağ tarafından öğrenilen anlamsal etiketlerdir (örn. "sol bilek").

Gerçek Dünya Uygulamaları#

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

• Sports Analytics: Antrenörler ve sporcular biyomekaniği analiz etmek için poz tahminini kullanır. Eklem üzerindeki anahtar noktaları izleyerek sistemler, golf, tenis veya sprint gibi sporlarda tekniği geliştirmek için açıları ve hızları hesaplayabilir. Eyleme geçirilebilir geri bildirim sağlamak için Ultralytics YOLO models track golf swings özelliğinin golf vuruşlarını nasıl izlediğini görün.
• 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.

Ultralytics YOLO26 ile Kritik Nokta Tespiti Uygulaması#

Ultralytics Platform veya Python SDK kullanarak geliştiriciler anahtar nokta algılamayı kolayca uygulayabilir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26-pose model modelinin nasıl yükleneceğini ve insan iskeletlerini tespit etmek için bir görüntü üzerinde çıkarımın nasıl çalıştırılacağını göstermektedir.

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 computer vision (CV) uygulamalarının hızlı bir şekilde 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 açıklama ve model eğitim sürecini basitleştirir.

İleri Düzey Hususlar#

Anahtar nokta algılamayı başarılı bir şekilde dağıtmak, oklüzyon (bir vücut parçasının gizli olması) ve çeşitli aydınlatma koşulları gibi zorlukların ele alınmasını gerektirir. Modern modeller bunu eğitim sırasında sağlam data augmentation ile ele alarak ağı çeşitli senaryolara maruz bırakır. Dahası, anahtar noktaları object tracking algoritmalarıyla entegre etmek, güvenlik veya davranışsal analiz gibi uygulamalar için temel olan video akışlarında bireylerin zaman içinde tutarlı bir şekilde tanımlanmasını sağlar.