Pose Estimation

Poz tahmini, nesnelerin varlığını tespit etmenin ötesine geçerek bunların geometrik yapısını ve fiziksel yönelimini anlamaya odaklanan özelleştirilmiş bir bilgisayarlı görü tekniğidir. Standart object detection, bir öznenin etrafına basit bir dikdörtgen kutu çizerken; poz tahmini, insan vücudundaki eklemler (dirsekler, dizler, omuzlar) veya bir araç üzerindeki yapısal köşeler gibi keypoints olarak bilinen belirli semantik noktaları tanımlar. machine learning modelleri, bu referans noktalarını haritalandırarak öznenin iskeletsel bir temsilini yeniden oluşturabilir ve sistemlerin beden dilini, hareket dinamiklerini ve 2D ya da 3D uzaydaki hassas konumlandırmayı yorumlamasına olanak tanır.

Temel Mekanizmalar: Tepeden Aşağı (Top-Down) ve Aşağıdan Yukarıya (Bottom-Up)#

Modern poz tahmini, görsel verileri işlemek için genellikle Convolutional Neural Networks (CNNs) kullanan gelişmiş deep learning mimarilerine büyük ölçüde güvenir. Algoritmalar genellikle anahtar noktaları belirlemek için iki temel stratejiden birini izler:

• Üstten Alta Yaklaşımlar (Top-Down): Bu yöntem, ilk olarak bounding boxes içindeki bireysel örnekleri konumlandırmak için bir nesne tespiti modeli kullanır. Bir kişi veya nesne daha büyük görüntüden kırpıldıktan sonra, poz tahmincisi belirli bir bölgedeki anahtar noktaları tahmin eder. Bu yaklaşım genellikle son derece doğrudur, ancak çerçevedeki özne sayısı arttıkça daha yüksek inference latency sorunu yaşayabilir.
• Alttan Üste Yaklaşımlar (Bottom-Up): Aksine, bu strateji tüm görüntüdeki olası tüm anahtar noktaları aynı anda tespit eder (örneğin kalabalıkta her "sol diz"i bulur) ve ardından bunları bireysel iskeletler halinde gruplamak için ilişkilendirme algoritmaları kullanır. Bu yöntem, kaç kişi olduğundan bağımsız olarak hesaplama maliyeti nispeten sabit kaldığı için, kalabalık sahnelerde real-time inference için genellikle tercih edilir.

YOLO26 gibi son teknoloji modeller, bu ihtiyaçları dengeleyen gelişmiş uçtan uca mimariler kullanarak edge AI cihazlarında ve mobil platformlarda dağıtıma uygun yüksek hızlı poz tahmini sağlar.

İlgili Bilgisayarlı Görü Terimlerini Ayırt Etmek#

computer vision iş akışlarındaki benzersiz değerini anlamak için poz tahminini diğer görsel tanıma görevlerinden ayırmak faydalıdır:

• Object Detection: Bir nesnenin ne ve nerede olduğunu tanımlamaya odaklanır ve dikdörtgen bir kutu çıktısı verir. Özneyi, iç eklemlenmesini anlamadan katı bir nesne olarak ele alır.
• Instance Segmentation: Nesnenin kesin şeklini çizen pikselsel mükemmellikte bir maske oluşturur. Bölütleme sınırlar sağlasa da, kinematic analysis için gereken eklemleri veya iskelet bağlantılarını açıkça tanımlamaz.
• Pose Estimation: Özellikle iç yapıyı hedefler, duruşu ve eylemi analiz etmek için önceden belirlenmiş referans noktaları (örneğin kalçadan dize) arasındaki bağlantıları haritalandırır.

Gerçek Dünya Uygulamaları#

İnsan ve nesne hareketini dijitalleştirme yeteneği, açıklama eklenmiş geniş anahtar nokta veri kümelerini yönetmek için genellikle Ultralytics Platform gibi araçlar kullanılarak eğitilen, çeşitli endüstrilerde dönüştürücü uygulamalara yol açmıştır.

Sağlık Hizmetleri ve Rehabilitasyon#

Tıp alanında, AI in healthcare, hastaların rehabilitasyonunu uzaktan izlemek için poz tahminini kullanır. Eklem açılarını ve hareket aralığını takip ederek, otomatik sistemler hastaların evde physical therapy exercises doğru bir şekilde gerçekleştirmesini sağlayabilir. Bu, yeniden yaralanma riskini azaltır ve klinisyenlerin pahalı laboratuvar ekipmanlarına ihtiyaç duymadan iyileşme ilerlemesini ölçmesine olanak tanır.

Spor Analitiği#

Antrenörler ve sporcular, performansı optimize etmek için sports analytics kullanır. Poz tahmini modelleri, geleneksel motion capture sistemlerinde kullanılan hantal işaretçi giysilerine ihtiyaç duymadan bir golfçünün vuruş düzlemini, bir koşucunun adım uzunluğunu veya bir atıcının biyomekaniğini analiz edebilir. Bu, tekniği geliştirmek ve aşırı kullanım yaralanmalarını önlemek için anında, veriye dayalı geri bildirim sağlar.

Perakende ve Davranış Analizi#

Ticari ortamlarda, AI in retail sistemleri, üst raflardaki ürünlere uzanmak veya belirli koridorlarda vakit geçirmek gibi müşteri davranışlarını anlamak için poz tespiti kullanır. Bu veriler, fiziksel eylemleri satın alma kararlarıyla ilişkilendirerek mağaza düzenlerini optimize etmeye ve inventory management geliştirmeye yardımcı olur.

Kod Örneği: Ultralytics YOLO26 ile Poz Tahmini#

Modern Python çerçeveleriyle poz tahmini uygulamak basittir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26 modelini (YOLO11 modelinin halefi) yüklemek ve bir görüntüdeki insan anahtar noktalarını tespit etmek için ultralytics paketinin nasıl kullanılacağını gösterir.

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()