İnsan Poz Tahmini
İnsan poz tahmini, görüntülerden veya videolardan bir kişinin dijital iskeletini oluşturmak için dirsekler, dizler ve omuzlar gibi vücut eklemlerinin konumlarını algılar.
Genel Bakış
It turns raw pixels into structured data about how people move.
Derin Dalış
Poz tahmini, bir dizi vücut anahtar noktasının (tipik olarak 17 ila 33 eklem) yerini belirler ve bunları bir iskelete bağlar. İki ana strateji mevcuttur. Yukarıdan aşağıya yöntemler ilk önce bir sınırlayıcı kutuya sahip her kişiyi tespit eder, ardından içindeki bağlantıları tahmin eder; doğrudurlar ancak çok sayıda insan mevcut olduğunda yavaştırlar. OpenPose gibi aşağıdan yukarıya yöntemler, görüntüdeki tüm önemli noktaları tek seferde algılar ve ardından bunları bireyler halinde gruplandırır; bu, kalabalık ortamlarda daha iyi ölçeklenir. Modeller 2B koordinatların çıktısını alabilir veya bunları 3B'ye kaldırabilir. Popüler araçlar arasında OpenPose, Google'in MoveNet ve MediaPipe'ı ile hassas eklem lokalizasyonu için yüksek çözünürlüklü özellikleri koruyan HRNet yer alır. Teknoloji, fitness uygulamalarına, hareket yakalamaya ve spor analizlerine güç veriyor.
Teknik Bilgi
Çoğu doğru model, eklem koordinatlarını doğrudan gerilemek yerine, eklem başına bir ısı haritası, yani en parlak pikseli olası eklem konumunu işaret eden bir olasılık haritası öngörür. Aşağıdan yukarıya sistemler, uzuvların yönünü kodlayan vektör haritaları olan Kısım Yakınlık Alanları ekler, böylece tespit edilen anahtar noktalar, örtüşen insanlarla bile doğru iskeletlere bağlanabilir. HRNet gibi yüksek çözünürlüklü omurgalar, ağ boyunca ince mekansal ayrıntıları koruyarak küçük veya yakın aralıklı bağlantıların hassasiyetini artırır.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
İnsan Poz Tahmininin Geleceği
Poz tahmini, tüketici cihazlarında gerçek zamanlı 3D'ye, güçlü çoklu kişi takibine ve daha zengin ifade yakalama için tam vücut artı el artı yüz modellerine doğru ilerliyor. İşaretsiz hareket yakalama, film ve biyomekanikteki pahalı stüdyo kıyafetlerinin yerini alıyor. Yalnızca duruşu değil aynı zamanda aktiviteyi de anlamak için eylem tanıma ile daha sıkı bir birleşme, sağlık hizmetlerinde yürüyüş ve rehabilitasyon analizi için artan kullanım ve hiçbir zaman buluta video göndermeyerek gizliliği koruyan cihaz üstü modeller bekleyebilirsiniz.
Gerçek Dünya Uygulaması
Kullanıcının formunu kontrol eden ve telefon kamerasından tekrarları sayan fitness ve yoga uygulamaları
Filmlerde ve video oyunlarında karakterleri canlandırmak için işaretsiz hareket yakalama
Bir sporcunun eklem açılarını, adımlarını ve tekniğini ölçen spor analitiği
Hastanın iyileşmesini ve hareket kalitesini takip eden fizik tedavi ve yürüyüş analizi
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Human Pose Estimation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Monoküler Derinlik Tahmini
Sık sorulan sorular
What is Human Pose Estimation?
İnsan poz tahmini, görüntülerden veya videolardan bir kişinin dijital iskeletini oluşturmak için dirsekler, dizler ve omuzlar gibi vücut eklemlerinin konumlarını algılar. Ham pikselleri insanların nasıl hareket ettiğine ilişkin yapılandırılmış verilere dönüştürür.
İnsan poz tahmini öncelikle neyi tespit eder?
Poz tahmini; dirsekler, dizler ve omuzlar gibi vücudun önemli noktalarını bulur ve ardından bunları bir iskelete bağlar.
Yukarıdan aşağıya poz tahmin yöntemleri nasıl çalışır?
Yukarıdan aşağıya yöntemler ilk önce bir sınırlayıcı kutuya sahip her bir kişiyi tespit eder ve ardından içindeki eklemleri tahmin eder; bu doğrudur ancak birçok insanda yavaşlar.
En doğru poz modelleri, ham koordinatlar yerine her bir eklem için neyi öngörür?
Modeller genellikle, en parlak pikseli en olası eklem konumunu gösteren ve doğrudan regresyondan daha istikrarlı bir şekilde eğitim veren, eklem başına bir ısı haritası üretir.
OpenPose tarafından kullanılan Parça İlgi Alanları ne işe yarar?
Parça Yakınlık Alanları, uzuv yönünü vektör haritaları olarak kodlayarak, aşağıdan yukarıya yöntemlerin, insanlar örtüştüğünde bile kilit noktaları doğru şekilde bağlamasına olanak tanır.
OpenPose gibi aşağıdan yukarıya yöntemler kalabalık sahnelerde neden daha iyi ölçekleniyor?
Aşağıdan yukarıya yöntemler, görüntüdeki her önemli noktayı tek geçişte algılar ve ardından bunları gruplandırır, böylece maliyet her ilave kişiyle artmaz.