Keypoints

Điểm chính là các vị trí không gian hoặc mốc đặc trưng riêng biệt trong một hình ảnh, xác định những đặc điểm quan trọng của một vật thể hoặc đối tượng. Trong lĩnh vực thị giác máy tính và machine learning, một điểm chính thường được biểu diễn bằng một tập hợp tọa độ (X, Y) xác định chính xác một bộ phận cụ thể của vật thể, chẳng hạn như khuỷu tay của một người, góc của một tòa nhà hoặc tâm bánh xe ô tô. Không giống các tác vụ đơn giản hơn chỉ xác định sự hiện diện của một vật thể, việc xác định điểm chính cho phép các model trí tuệ nhân tạo (AI) hiểu được hình học, tư thế và cấu trúc của đối tượng. Khả năng này đóng vai trò nền tảng cho việc phân tích hình ảnh nâng cao, cho phép máy móc diễn giải ngôn ngữ cơ thể, theo dõi các chuyển động chính xác và căn chỉnh các lớp phủ kỹ thuật số với các vật thể trong thế giới thực.

Vai trò của Điểm chính trong các Model AI#

Điểm chính là dữ liệu nền tảng cho ước tính tư thế, một kỹ thuật ánh xạ cấu trúc xương của người hoặc động vật. Bằng cách phát hiện một tập hợp điểm được xác định trước—chẳng hạn như vai, đầu gối và mắt cá chân—các thuật toán có thể tái dựng toàn bộ tư thế của đối tượng theo thời gian thực. Quy trình này vượt xa phát hiện vật thể tiêu chuẩn, vốn thường xuất ra một bounding box bao quanh vật thể mà không hiểu hình dạng bên trong của nó.

Các kiến trúc hiện đại, chẳng hạn như Ultralytics YOLO26 tiên tiến nhất, đã phát triển để dự đoán các điểm chính này với độ chính xác và tốc độ cao. Các model này sử dụng các mạng deep learning (DL) được huấn luyện trên những bộ dữ liệu đã chú thích quy mô lớn, chẳng hạn như COCO Keypoints, để học các mẫu hình ảnh liên quan đến khớp và đặc điểm khuôn mặt. Trong quá trình inference, model hồi quy tọa độ cho từng điểm chính, thường kèm theo một điểm tin cậy để biểu thị độ đáng tin cậy của dự đoán.

Điểm chính và các Khái niệm Liên quan#

Việc phân biệt điểm chính với các đầu ra thị giác máy tính phổ biến khác sẽ giúp hiểu rõ tính hữu ích riêng biệt của chúng:

• Điểm chính và Bounding Box: Một bounding box cung cấp vị trí thô, bao quanh toàn bộ vật thể trong một hình chữ nhật. Điểm chính cung cấp vị trí chi tiết của các bộ phận cụ thể bên trong vật thể đó.
• Điểm chính và Phân đoạn Hình ảnh: Phân đoạn hình ảnh phân loại mọi pixel để tạo ra mask chính xác về hình dạng của vật thể. Trong khi phân đoạn cung cấp thông tin chi tiết về ranh giới, điểm chính cung cấp một bản tóm tắt cấu trúc (một "bộ xương"), thường hiệu quả hơn cho việc phân tích chuyển động và động học.
• Điểm chính và Bộ mô tả Đặc trưng: Trong xử lý hình ảnh truyền thống như SIFT (Biến đổi Đặc trưng Bất biến theo Tỷ lệ), các điểm chính là những điểm đáng chú ý (góc, blob) được sử dụng để đối sánh hình ảnh. Trong ước tính tư thế bằng DL hiện đại, điểm chính là các nhãn ngữ nghĩa (ví dụ: "cổ tay trái") được mạng học.

Các ứng dụng trong thực tế#

Khả năng theo dõi các bộ phận cơ thể hoặc đặc điểm cụ thể của vật thể mở ra nhiều ứng dụng đa dạng trong các ngành:

• Phân tích Thể thao: Huấn luyện viên và vận động viên sử dụng ước tính tư thế để phân tích cơ sinh học. Bằng cách theo dõi các điểm chính trên khớp, hệ thống có thể tính toán góc và vận tốc để cải thiện kỹ thuật trong các môn như golf, tennis hoặc chạy nước rút. Xem cách các model Ultralytics YOLO theo dõi cú đánh golf để cung cấp phản hồi có thể hành động.
• Chăm sóc Sức khỏe và Phục hồi Chức năng: Các nền tảng vật lý trị liệu tận dụng điểm chính để theo dõi từ xa các bài tập của bệnh nhân. Hệ thống đảm bảo bệnh nhân duy trì đúng tư thế trong các bài tập phục hồi chức năng, giảm nguy cơ chấn thương và theo dõi tiến triển phục hồi.
• Thực tế Tăng cường (AR): Các bộ lọc mạng xã hội và ứng dụng thử đồ ảo dựa vào các điểm chính trên khuôn mặt (mắt, mũi, đường viền miệng) để neo chắc chắn mask kỹ thuật số hoặc kính vào khuôn mặt người dùng, duy trì sự căn chỉnh ngay cả khi họ di chuyển.
• Giám sát Tài xế: Các hệ thống an toàn ô tô theo dõi các mốc đặc trưng trên khuôn mặt để phát hiện dấu hiệu buồn ngủ hoặc mất tập trung, cảnh báo tài xế nếu mắt họ nhắm hoặc vị trí đầu cho thấy sự thiếu chú ý.

Triển khai Phát hiện Điểm chính với Ultralytics YOLO26#

Sử dụng Ultralytics Platform hoặc Python SDK, các developer có thể dễ dàng triển khai tính năng phát hiện điểm chính. Ví dụ sau minh họa cách tải một model YOLO26-pose đã được huấn luyện trước và chạy inference trên một hình ảnh để phát hiện bộ xương người.

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}")

Quy trình đơn giản này cho phép triển khai nhanh các ứng dụng thị giác máy tính (CV) tinh vi. Đối với người dùng muốn huấn luyện các model điểm chính tùy chỉnh của riêng mình—ví dụ để phát hiện các điểm cụ thể trên máy móc công nghiệp hoặc các loài động vật—Ultralytics Platform đơn giản hóa quy trình chú thích dữ liệu và huấn luyện model trên cloud.

Các Yếu tố Cân nhắc Nâng cao#

Để triển khai thành công tính năng phát hiện điểm chính, cần xử lý các thách thức như hiện tượng che khuất (khi một bộ phận cơ thể bị ẩn) và điều kiện chiếu sáng đa dạng. Các model hiện đại giải quyết vấn đề này thông qua tăng cường dữ liệu mạnh mẽ trong quá trình huấn luyện, cho mạng tiếp xúc với nhiều kịch bản khác nhau. Ngoài ra, việc tích hợp điểm chính với các thuật toán theo dõi vật thể cho phép nhận diện nhất quán các cá nhân theo thời gian trong các luồng video, yếu tố thiết yếu cho những ứng dụng như bảo mật hoặc phân tích hành vi.