Pose Estimation

Poz tahmini, nesnelerin varlığını tespit etmenin ötesine geçerek geometrik yapılarını ve fiziksel yönelimlerini anlamaya odaklanan özel bir bilgisayarlı görü tekniğidir. Standart nesne algılama bir öznenin etrafına basit bir dikdörtgen kutu çizerken, poz tahmini insan vücudundaki eklemler (dirsekler, dizler, omuzlar) veya bir araç üzerindeki yapısal köşeler gibi anahtar noktalar olarak bilinen belirli anlamsal noktaları tanımlar. Bu işaret noktalarını eşleyerek, makine öğrenimi modelleri öznenin iskeletsel bir temsilini yeniden oluşturabilir ve sistemlerin vücut dilini, hareket dinamiklerini ve 2D veya 3D uzaydaki hassas konumlandırmayı yorumlamasını sağlayabilir.

Link to this sectionTemel Mekanizmalar: Tepeden Aşağı (Top-Down) ve Aşağıdan Yukarıya (Bottom-Up)#

Modern pose estimation relies heavily on sophisticated deep learning architectures, often utilizing Convolutional Neural Networks (CNNs) to process visual data. The algorithms generally follow one of two primary strategies to identify keypoints:

• Tepeden Aşağı (Top-Down) Yaklaşımlar: Bu yöntem, öncelikle sınırlayıcı kutular içindeki bireysel örneklerin yerini bulmak için bir nesne algılama modeli kullanır. Bir kişi veya nesne daha büyük görüntüden kırpıldıktan sonra, poz tahmincisi o belirli bölge içindeki anahtar noktaları tahmin eder. Bu yaklaşım genellikle son derece doğrudur, ancak çerçevedeki özne sayısı arttıkça daha yüksek çıkarım gecikmesi sorunu yaşayabilir.
• Aşağıdan Yukarıya (Bottom-Up) Yaklaşımlar: Bunun aksine, bu strateji tüm görüntüdeki potansiyel tüm anahtar noktaları aynı anda tespit eder (örneğin, bir kalabalıktaki her "sol diz"i bulmak) ve ardından bunları bireysel iskeletler halinde gruplandırmak için ilişkilendirme algoritmaları kullanır. Bu yöntem, kalabalık sahnelerde gerçek zamanlı çıkarım için genellikle tercih edilir çünkü hesaplama maliyeti, kaç kişi olduğuna bakılmaksızın nispeten sabit kalır.

YOLO26 gibi en gelişmiş modeller, bu ihtiyaçları dengeleyen gelişmiş uçtan uca mimariler kullanarak uç yapay zeka cihazlarında ve mobil platformlarda dağıtıma uygun, yüksek hızlı poz tahmini sağlar.

Link to this sectionİlgili Bilgisayarlı Görü Terimlerini Ayırt Etmek#

Bilgisayarlı görü iş akışlarındaki benzersiz değerini anlamak için poz tahminini diğer görsel tanıma görevlerinden ayırmak faydalıdır:

• Nesne Algılama: Bir nesnenin ne olduğuna ve nerede bulunduğuna odaklanarak dikdörtgen bir kutu çıktısı verir. Özneyi, iç eklemlenmesini anlamadan katı bir nesne olarak ele alır.
• Örnek Bölütleme: Nesnenin kesin şeklini ana hatlarıyla belirten piksel mükemmelliğinde bir maske oluşturur. Bölütleme sınırları sağlasa da, kinematik analiz için gereken eklemleri veya iskelet bağlantılarını açıkça tanımlamaz.
• Poz Tahmini: Özellikle iç yapıya odaklanır, duruşu ve eylemi analiz etmek için önceden belirlenmiş işaret noktaları (örneğin, kalçadan dize) arasındaki bağlantıları haritalandırır.

Link to this sectionGerçek Dünya Uygulamaları#

İnsan ve nesne hareketini dijitalleştirme yeteneği, çeşitli sektörlerde dönüştürücü uygulamalara yol açmış olup, genellikle büyük anahtar nokta verilerini yönetmek için Ultralytics Platform gibi araçlar kullanılarak eğitilmektedir.

Link to this sectionSağlık Hizmetleri ve Rehabilitasyon#

Tıp alanında, sağlık hizmetlerinde yapay zeka hasta rehabilitasyonunu uzaktan izlemek için poz tahmininden yararlanır. Otomatik sistemler, eklem açılarını ve hareket aralığını takip ederek hastaların evde fizik tedavi egzersizlerini doğru bir şekilde yapmalarını sağlayabilir. Bu, yeniden yaralanma riskini azaltır ve klinisyenlerin pahalı laboratuvar ekipmanlarına ihtiyaç duymadan iyileşme sürecini ölçmelerine olanak tanır.

Link to this sectionSpor Analitiği#

Antrenörler ve sporcular performansı optimize etmek için spor analitiğinden yararlanır. Poz tahmini modelleri, geleneksel hareket yakalama yöntemlerinde kullanılan hantal işaretçi kıyafetlerine gerek kalmadan bir golfçünün savuruş düzlemini, bir koşucunun adım uzunluğunu veya bir atıcının biyomekaniğini analiz edebilir. Bu, tekniği geliştirmek ve aşırı kullanım sakatlıklarını önlemek için anında, veriye dayalı geri bildirim sağlar.

Link to this sectionPerakende ve Davranış Analizi#

Ticari ortamlarda, perakendede yapay zeka sistemleri, yüksek raflardaki ürünlere uzanma veya belirli reyonlarda durma gibi müşteri davranışlarını anlamak için poz tespitini kullanır. Bu veriler, fiziksel eylemleri satın alma kararlarıyla ilişkilendirerek mağaza düzenlerini optimize etmeye ve envanter yönetimini iyileştirmeye yardımcı olur.

Link to this sectionKod Örneği: YOLO26 ile Poz Tahmini#

Implementing pose estimation is straightforward with modern Python frameworks. The following example demonstrates how to use the ultralytics package to load a pre-trained YOLO26 model (the successor to YOLO11) and detect human keypoints in an image.

from ultralytics import YOLO

# Load the YOLO26 pose model (nano version for speed)
model = YOLO("yolo26n-pose.pt")

# Perform inference on an image source
# The model identifies bounding boxes and specific keypoints (joints)
results = model("https://ultralytics.com/images/bus.jpg")

# Print the xy coordinates of detected keypoints
print(results[0].keypoints.xy)

# Visualize the skeletal results directly
results[0].show()