تقدير الوضعية باستخدام Ultralytics YOLO#

تقدير الوضعية مهمة تتضمن تحديد مواقع نقاط محددة في الصورة، يُشار إليها عادةً بالنقاط المفتاحية. قد تمثل النقاط المفتاحية أجزاء مختلفة من الكائن، مثل المفاصل أو المعالم أو السمات المميزة الأخرى. وعادةً ما تُمثَّل مواقع النقاط المفتاحية بمجموعة من إحداثيات ثنائية الأبعاد [x, y]، مع إمكانية إرفاق علامة رؤية [x, y, visible].

تتألف مخرجات نموذج تقدير الوضعية من مجموعة نقاط تمثل النقاط المفتاحية على كائن في الصورة، وعادةً ما تتضمن درجات الثقة لكل نقطة. ويُعد تقدير الوضعية خيارًا مناسبًا عند الحاجة إلى تحديد أجزاء معينة من كائن في مشهد، ومواقعها بالنسبة بعضها إلى بعض.

النماذج#

تظهر أدناه نماذج YOLO26 Pose المدرّبة مسبقًا على مجموعة بيانات النقاط المفتاحية COCO.

تُنزّل النماذج تلقائيًا من أحدث إصدار من Ultralytics عند استخدامها لأول مرة.

• قيم mAP^val محسوبة لنموذج واحد وبمقياس واحد على مجموعة بيانات COCO Keypoints val2017.
  أعِد إنتاج النتائج باستخدام yolo pose val data=coco-pose.yaml device=0 nms=False
• السرعة هي متوسط القياس على صور COCO val باستخدام ONNX على CPU وTensorRT10 على وحدة معالجة الرسومات NVIDIA T4.
  أعِد إنتاج النتائج باستخدام yolo pose val data=coco-pose.yaml batch=1 device=0|cpu nms=False.
• قيم المعلمات وFLOPs خاصة بالنماذج المدمجة بعد طي Conv/BatchNorm وإزالة فرع الاكتشاف غير المستخدم. تحتفظ نقاط التحقق المدرّبة مسبقًا ببنية التدريب الكاملة، وقد تُظهر أعدادًا أعلى.

اطّلع على معاينة YOLO27 غير المُصدرة لمعرفة النتائج الأولية للنقاط المفتاحية COCO.

التدريب#

درّب YOLO26n-pose على مجموعة بيانات COCO8-pose لمدة 100 حقبة وبحجم صورة 640. للاطلاع على القائمة الكاملة بالوسيطات المتاحة، راجع صفحة الإعدادات.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-pose.yaml")  # ⁨إنشاء نموذج جديد من YAML⁩
model = YOLO("yolo26n-pose.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # ⁨الإنشاء من YAML ونقل الأوزان⁩

# ⁨تدريب النموذج⁩
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

راجع التفاصيل الكاملة لوضع train في صفحة التدريب. ويمكن أيضًا تدريب نماذج تقدير الوضعية باستخدام التدريب السحابي على منصة Ultralytics.

تنسيق مجموعة البيانات#

للاطلاع على التفاصيل المتعلقة بتنسيق مجموعة بيانات YOLO للوضعيات، راجع دليل مجموعة البيانات. لتحويل مجموعة بيانات JSON موجودة من النقاط المفتاحية COCO إلى تنسيق YOLO، استخدم الدالة المضمّنة convert_coco مع use_keypoints=True، وفقًا لما هو موضح في دليل التحويل من COCO إلى YOLO. كما تدعم التعليقات التوضيحية على منصة Ultralytics تسميات الوضعيات، باستخدام قوالب هيكلية مضمّنة للأشخاص والأيدي والوجوه وتخطيطات النقاط المفتاحية المخصصة.

لمهمات تقدير الوضعية المخصصة، يمكنك أيضًا استكشاف مجموعات بيانات متخصصة مثل Tiger-Pose لتقدير وضعيات الحيوانات، والنقاط المفتاحية لليد لتتبّع اليد، أو Dog-Pose لتحليل وضعيات الكلاب.

التحقق#

تحقّق من دقة نموذج YOLO26n-pose المدرَّب. لا حاجة إلى تمرير وسيطات، إذ يحتفظ model بإعدادات التدريب data ووسيطاته كسمات للنموذج: يتحقق path/to/best.pt الوارد في مثال التدريب من صحة النموذج على COCO8-pose. تسجل الأوزان الرسمية مسار مجموعة بيانات التدريب غير الموجود على جهازك، لذا تعود إلى coco8-pose.yaml الافتراضي للمهمة مع إصدار تحذير. مرّر data للتحقق من الصحة على مجموعة بيانات أخرى.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-pose.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨تحقّق من النموذج⁩
metrics = model.val()  # ⁨لا حاجة إلى وسيطات؛ إذ تُحفظ مجموعة البيانات والإعدادات⁩
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # ⁨قائمة تتضمن mAP50-95 لكل فئة⁩
metrics.box.image_metrics  # ⁨قاموس المقاييس لكل صورة للمربعات، يتضمن الدقة والاستدعاء وF1 وTP وFP وFN⁩
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # ⁨قائمة تتضمن mAP50-95(P) لكل فئة⁩
metrics.pose.image_metrics  # ⁨قاموس المقاييس لكل صورة للوضعية، يتضمن الدقة والاستدعاء وF1 وTP وFP وFN⁩

التنبؤ#

استخدم نموذج YOLO26n-pose مدرَّبًا لإجراء تنبؤات على الصور.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-pose.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨أجرِ التنبؤ باستخدام النموذج⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨أجرِ التنبؤ على صورة⁩

# ⁨الوصول إلى النتائج⁩
for result in results:
    xy = result.keypoints.xy  # ⁨إحداثيات x وy⁩
    xyn = result.keypoints.xyn  # normalized
    kpts = result.keypoints.data  # ⁨x وy والرؤية (إن توفرت)⁩

اطّلع على التفاصيل الكاملة لوضع predict في صفحة التنبؤ.

مخرجات النتائج#

يعيد تقدير الوضعية كائن Results واحدًا لكل صورة. حقول التنبؤ الأساسية هي result.keypoints لإحداثيات الوضعية وresult.boxes للحالات المكتشفة التي تنتمي إليها تلك النقاط المفتاحية.

للاطلاع على حقول Results الخاصة بكل مهمة، راجع قسم نتائج التنبؤ حسب المهمة.

خريطة فهارس النقاط المفتاحية#

تتنبأ نماذج YOLO26 Pose الافتراضية بالنقاط المفتاحية الـ17 في COCO، لذا يكون الفهرس k في result.keypoints.xy[:, k] كما يلي:

0. الأنف
1. العين اليسرى
2. العين اليمنى
3. الأذن اليسرى
4. الأذن اليمنى
5. الكتف الأيسر
6. الكتف الأيمن
7. المرفق الأيسر
8. المرفق الأيمن
9. المعصم الأيسر
10. المعصم الأيمن
11. الورك الأيسر
12. الورك الأيمن
13. الركبة اليسرى
14. الركبة اليمنى
15. الكاحل الأيسر
16. الكاحل الأيمن

التصدير#

صدّر نموذج YOLO26n-pose إلى تنسيق آخر مثل ONNX أو CoreML وغيرها.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-pose.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨صدّر النموذج⁩
model.export(format="onnx")

ترد تنسيقات التصدير المتاحة لـ YOLO26-pose في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام الوسيط format، أي format='onnx' أو format='engine'. ويمكنك إجراء التنبؤات أو التحقق من الصحة مباشرةً على النماذج المُصدَّرة، أي yolo predict model=yolo26n-pose.onnx. تظهر أمثلة الاستخدام لنموذجك بعد اكتمال التصدير.

يعتمد nms=None على المخرجات الأولية لإجراء NMS خارجي. اضبط nms=False لتحديد رأس متاح خالٍ من NMS؛ وتعود التنسيقات غير المدعومة إلى مسار المخرجات الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

اطّلع على التفاصيل الكاملة لـexport في صفحة التصدير.

الأسئلة الشائعة#