آلة تقرأ وضعية جسد. وإنسانٌ علّمها.

أربع طرق لتصنيف جسم. تجيب عن أربعة أسئلة مختلفة. اختر ما يطابق ما يحتاج النموذج إلى تعلّمه.

المربّع يخبر النموذج أن العدّاء هنا. والقناع يخبره بالبكسلات التي يشغلها العدّاء بالضبط. والنقاط المفصلية تخبره أن الركبة منثنية، والذراع تندفع للخلف، والجذع يميل. ^٩٣٩

ذلك هو التمييز الذي يحسم ميزانية تصنيفك. إن كنت تحتاج فقط إلى إيجاد الأجسام وعدّها، فالمربّعات أرخص. وإن كنت تحتاج إلى قراءة الوضعية أو الحركة أو التعبير — خطوة، أو قرصة، أو ابتسامة — فالنقاط المفصلية هي النوع الوحيد الذي يحمل ذلك.

هذا أنظف خطّ في تصنيف الرؤية الحاسوبية: الموقع مقابل الشكل مقابل البنية.

تخبرك معظم الأدلّة أن COCO تخزّن النقاط المفصلية كـ«مصفوفة ٣×١٧ من س، ص، v». وقليل منها يُريك القطعة الفعلية. ها هي — الـJSON بالضبط الذي يستطيع المطوّر نسخه.

{
  "categories": [
    {
      "id": 1,
      "name": "person",
      "keypoints": [
        "nose", "left_eye", "right_eye", "left_ear", "right_ear",
        "left_shoulder", "right_shoulder", "left_elbow", "right_elbow",
        "left_wrist", "right_wrist", "left_hip", "right_hip",
        "left_knee", "right_knee", "left_ankle", "right_ankle"
      ],
      "skeleton": [
        [16,14],[14,12],[17,15],[15,13],[12,13],[6,12],[7,13],
        [6,7],[6,8],[7,9],[8,10],[9,11],[2,3],[1,2],[1,3],
        [2,4],[3,5],[4,6],[5,7]
      ]
    }
  ],
  "annotations": [
    {
      "id": 1001,
      "image_id": 42,
      "category_id": 1,
      "bbox": [212, 88, 130, 410],
      "num_keypoints": 15,
      "keypoints": [
        267,120,2,  280,110,2,  255,110,2,  300,118,1,  240,118,1,
        330,200,2,  210,205,2,  360,290,2,  185,295,2,  375,370,2,
        170,378,2,  315,330,2,  235,332,2,  320,440,2,  232,442,2,
        0,0,0,      0,0,0
      ]
    }
  ]
}

ثلاثة أشياء تقرأها من هذا:

مصفوفة keypoints مسطّحة. إنها قائمة بطول 3k — لنقاط الشخص الـ١٧ ذلك ٥١ رقمًا: x1,y1,v1, x2,y2,v2, …. ويُثبّت ترتيبَها قائمةُ الأسماء في categories[].keypoints أعلاها. ^٣٧

علم الرؤية هو الرقم الثالث في كل ثلاثية. v=2 مرئية، v=1 مصنَّفة لكن محجوبة، v=0 غير مصنَّفة (وحينها x=y=0). في المثال، كلا الكاحلين 0,0,0 — خارج الإطار، فيكون num_keypoints ١٥، لا ١٧. ^٢٢٣٧

الـskeleton قائمة حوافّ. كل زوج نقطتان مفصليّتان مُفهرستان بدءًا من ١ ليُربطا — [16,14] يصل left_ankle بـleft_knee. الهيكل للبنية والتصوير؛ لا يضيف بيانات، بل يربطها. ^٣٧

ذلك هو المخطط كلّه. نقاط، ورؤية، وحوافّ. أدخله في أي خط إنتاج متوافق مع COCO فيتدرّب.

«تصنيف النقاط المفصلية» ليس مهمة واحدة. فالأبعاد وعدد النقاط يتغيّران بحسب السؤال الذي تجيب عنه. ثلاثة أنماط، بوضوح:

نقاط ثنائية الأبعاد — (س، ص). نقطة على مستوى الصورة. هذا الافتراضي ويغطّي معظم المجال: وضعية الرياضة، والإيماءة، ومعالم الوجه، وتتبّع الحيوانات. مجموعة COCO ذات الـ١٧ نقطة للشخص ثنائية. استخدمها حين يحمل المنظر المسطّح للكاميرا الإشارة التي تحتاجها. ^٣

نقاط ثلاثية الأبعاد — (س، ص، ع). تضيف العمق، فتُعاد بناء الوضعية في الفضاء، لا على الصورة وحدها. تستنتج MediaPipe Pose وMediaPipe Hands كلتاهما معالم ثلاثية الأبعاد؛ والـع عمق نسبي، لا مسافة مترية حقيقية. استخدمها حين تهمّ الزاوية خارج المستوى — يدٌ تمتدّ نحو متحكّم واقع افتراضي، أو جسدٌ يلتفّ مبتعدًا عن الكاميرا. ^٦٧

كامل الجسم — COCO-WholeBody، ١٣٣ نقطة مفصلية. الجسم + الوجه + اليدان + القدمان في تصنيف واحد: ١٧ للجسم، و٦٨ للوجه، و٤٢ لليدين (٢١ لكل يد)، و٦ للقدمين. استخدمها حين يتعيّن على نموذج واحد أن يقرأ الوضعية والتعبير وتفاصيل الأصابع دفعةً واحدة — لغة الإشارة، والتفاعل الدقيق، والتقاط الأفاتار. وهو الأغلى تصنيفًا، فلا تلجأ إليه إلا حين تحتاج فعلًا إلى المناطق الأربع. ^١٢

القاعدة العملية: ابدأ بثنائي الأبعاد. أضف الـع حين يغيّر العمق الإجابة. واذهب إلى كامل الجسم حين يحمل الجسم والوجه واليدان الدرس جميعًا.

المزيد من النقاط والأبعاد يعني مزيدًا من الكلفة ومزيدًا من مواضع عدم الاتّساق. كل معلم إضافي شيء آخر على إنسان أن يضعه بالطريقة نفسها، في كل مرة. والمخطط الذي تختاره قرار ميزانية بقدر ما هو قرار تقني.

راقب عدّاءً بأقصى سرعته. ترى العين بقعةً ضبابية؛ ويرى نموذج النقاط المفصلية بنية — نقطة على كل مفصل، مربوطةً في هيكل، فصار للحركة الآن رياضياتها: زوايا المفاصل، وطول الخطوة، والإيقاع، وتماثل اليمين واليسار، وأين تنهار الوضعية مع حلول التعب.

كان هذا يستلزم مختبرًا مليئًا بالعلامات العاكسة. أما الآن فيضع النموذج النقاط من الفيديو مباشرة — وتُبلّغ متتبّعات العَدْو بلا علامات عن أخطاء زاوية مفصلية تبلغ ٣٫٢–٥٫٥ درجة فقط مقابل المرجع القائم على العلامات. ^٢٨ وقد دخلت دائرة الأضواء أيضًا: يتتبّع Hawk-Eye ٢٩ نقطة هيكلية لكل لاعب ويحتسب التسلل شبه الآلي منذ ٢٠٢٢. ^٣٠

لكن لا شيء من ذلك يعمل دون إنسان أولًا. لا يعرف النموذج «ركبة» إلا لأن المصنّفين وضعوا آلاف الركب، بدقة، في مركز المفصل — الحقيقة الأساسية التي يتعلّم منها الخطوة. البشر يعلّمون الآلة. ذكاؤك الاصطناعي ليس أفضل ممّن علّموه.

حالتا استخدام. والبداية نفسها: ضع نقطة.

مراقبة السائق: السيارة تتعلّم أن تراقب السائق

يراقب نظام مراقبة السائق (DMS) شيئًا واحدًا. الشخص خلف المقود.

يتتبّع الرأس. والعينين. ونقاطًا مفصلية على الوجه تقول إلى أين تنظر ومدى يقظتك.

ناعس؟ تنغلق الجفون أطول. وتنخفض نسبة عرض العين. مشتّت؟ يلتفت الرأس عن الطريق. يبني الباحثون هذه الأنظمة على نقاط معالم الوجه ووضعية الرأس، حاسبين مقاييس انغلاق العين والتثاؤب إطارًا بإطار. ^٣٢٣٣

لا شيء من ذلك يعمل دون حقيقة أساسية.

على شخصٍ أن يصنّف زوايا العين. والأنف. وزاوية الرأس. إطارًا بعد إطار، عبر السائقين، والإضاءة، والنظارات، والليل. لا يرى النموذج إلا ما علّمه إنسانٌ أن يراه.

لم يعد هذا رفاهيةً. فـEuro NCAP يضع مراقبة السائق المباشرة جزءًا من تقييم السلامة. ويُتوقَّع من السيارات تتبّع اتجاه النظر ووضعية الرأس في الزمن الحقيقي، والتنبيه إلى النعاس عند سرعات الطرق السريعة. لم يعد استنتاج الانتباه من إدخال المقود وحده كافيًا. ^٣٤٣٥٣٦

وذلك الضغط حاضر حيثما تتّجه مراقبة السائق — ويقع أثقل ما يقع حيث الطرق أشدّ فتكًا. حوادث الطرق هي السبب الأول للوفاة في السعودية، حيث تستهدف رؤية ٢٠٣٠ أقل من ١٠ وفيات طرق لكل ١٠٠٬٠٠٠ نسمة بحلول ٢٠٣٠. سيارة تستطيع أن تدرك متى يغفو سائقها ليست ميزة هناك — إنها حياة تُنقَذ. ^٤٠٤١

وكل واحدة من تلك السيارات تأتي مزوّدةً بنموذج مدرَّب على نقاط مفصلية مصنَّفة.

الأيدي: الواجهة بلا أزرار

انتقل الآن إلى الأيدي.

لليد ٢١ نقطة مفصلية. المعصم، والمفاصل، ومفاصل الأصابع، وأطراف الأصابع. تستنتج MediaPipe Hands الـ٢١ جميعًا كمعالم ثلاثية الأبعاد من إطار كاميرا واحد. تلك خريطة يد. ^٧

بتلك الخريطة، تقرأ الآلة ما تفعله يداك:

• إدخال الواقع المعزّز والافتراضي. تصير القرصة نقرة. والقبضة إمساكًا. بلا متحكّم. ^٣٨
• الواجهات بلا لمس. لوّح، ومرّر، وأشر. تحكّم في شاشة دون لمسها. ^٤٢
• التعرّف على لغة الإشارة. تتبّع اليدين، واقرأ الإشارة، وحوّلها نصًّا. تتبّع النقاط المفصلية في صميم هذه الأنظمة. ^٣٧

لكن النموذج الذي وجد تلك النقاط الـ٢١؟ دُرِّب على أيدٍ صنّفها إنسان أولًا. وبحسب رواية Google نفسها، بُني نموذج معالم اليد في MediaPipe على نحو ٣٠٬٠٠٠ صورة واقعية، كلٌّ مصنَّفة يدويًا بـ٢١ إحداثيًا ثلاثي الأبعاد. ^٧

وذلك هو المغزى كلّه. تقرأ الآلة اليد لأن شخصًا علّمها أين مفاصل اليد.

نبني مجموعات بيانات النقاط المفصلية نفسها بالضبط في محرك التصنيف من Annota8. نقاط ملوّنة على وجه. مفاصل على يد. معيار ذهبي مكتوب باليد كالإجابة الصحيحة. تصدير كـJSON قياسي. واحدة من ١٨٠ واجهة تصنيف عبر ٧ وسائط، كلّها مباشرة.

من سائق ناعس إلى إصبع تقرص، يبدأ الأمر بنقطة. وبإنسان وضعها.

احجز عرضًا ←

ضع نقاطًا كافية على وجه، فتتوقّف الآلة عن رؤية البكسلات. وتبدأ برؤية وجه.

تلك هي اللعبة كلّها. أداة النقاط المفصلية نفسها التي تُلصِق هيكلًا على عدّاء تُلصِق شبكةً على وجه إنسان. الفكرة نفسها. معالم مختلفة.

الوجوه: المرشّحات والتعبيرات وإثبات أنك حقيقي

على مرشّح الوجه أن يعرف أين وجهك قبل أن يضع عليه نظارة شمسية. فتصنّف المعالم: زوايا العين، طرف الأنف، حوافّ الشفة، خطّ الفك. يستخدم نموذج dlib الكلاسيكي ٦٨ منها، مدرَّبًا على وجوه مصنَّفة يدويًا. ويقدّر MediaPipe Face Mesh من Google ٤٦٨ نقطة ثلاثية الأبعاد على وجه واحد من كاميرا عادية — بلا مستشعر عمق. ^٤٣٤٤٤٥

بتلك النقاط يتتبّع المرشّح أنفك حين تدير رأسك.

ادفع أبعد فتصل إلى تحليل التعبير. يرمّز الباحثون الوجوه بنظام ترميز حركات الوجه (FACS) — الذي طوّره بول إكمان ووالاس فريزن ونُشِر عام ١٩٧٨ — الذي يفكّك التعبيرات إلى «وحدات حركة»، الحركات الصغيرة لعضلات الوجه التي تصنع ابتسامة أو عبوسًا. صنّف المعالم، وتتبّع كيف تتحرّك، فيقرأ النموذج وحدات الحركة تحتها. ^٤٦٤٧

ثم هناك الحيوية. أهذا وجه حقيقي، أم صورة رُفِعت أمام الكاميرا؟ ذلك كشف هجمات العرض، وله معيار: ISO/IEC 30107-3، الذي يحدّد كيف تختبر المختبرات قدرة النظام على تمييز شخص حيّ من انتحال. وبيانات التدريب خلفه وجوه مصنَّفة — حقيقية ومزيّفة — مصنَّفة كي تتعلّم الآلة الفرق. ^٤٨٤٩

بنى مؤسّسانا هذا النوع من الإدراك في Affectiva وSmart Eye. وكان العمل يعود دائمًا إلى الشيء نفسه: لا يقرأ النموذج الوجوه إلا بقدر جودة من صنّفوا الوجوه التي تعلّم منها.

الرعاية الصحية: الدقّة حيث تهمّ

الطبّ حيث تصير النقاط المفصلية جادّة.

في الجراحة، يتتبّع الباحثون نقاطًا على الأدوات — طرف الأداة، وقاعدتها — كي يعرف النظام أين الأداة في الإطار. وهو صعب. فالأطراف صغيرة، والأدوات مفصلية، وتُحجَب، وتتغيّر الإضاءة، ويضبب الفيديو. كل واحدة من تلك النقاط تبدأ تصنيفًا بشريًا على إطار من فيديو جراحي. ^٥٠٥١

في طبّ الأسنان والتقويم، عماد العمل التحليل القياسي للجمجمة: تصنيف معالم على أشعّة جانبية للجمجمة لتخطيط العلاج. وفعله باليد بطيء وغير متّسق. وتضع نماذج التعلّم العميق تلك المعالم آليًا الآن — لكنها دُرِّبت على صور أشعّة صنّفها طبيبٌ أولًا. ^٥٢٥٣

في التأهيل، هناك تحليل المشية. يتتبّع تقدير الوضعية بلا علامات نقاطًا مفصلية للجسم من فيديو عادي لقياس كيف يمشي المرء — مُتحقَّقًا منه لدى مرضى ما بعد السكتة والشلل الرعّاش مقابل أنظمة التقاط حركة مرجعية. ^٥٤٥٥٥٦

تحذير نلتزم به: هذه أدوات بحث ومساعدة، لا تشخيصات. النموذج يقترح. والطبيب يقرّر. نبني التصنيف؛ ولا نقدّم ادّعاءات سريرية.

أداة واحدة، عالمان

شبكة وجه وأشعّة جراحية لا يتشابهان البتّة. أما لأداة النقاط المفصلية فهما المهمة نفسها: ضع نقطة مصنَّفة في موضعها تمامًا.

ذلك ما تفعله أداة النقاط المفصلية في محرك التصنيف لدينا — نقاط ملوّنة مصنَّفة موضوعة بدقة المعلم مقابل معيار ذهبي مكتوب باليد، مُصدَّرة كـJSON متوافق مع COCO. واحدة من ١٨٠ واجهة عبر ٧ وسائط، كلّها مباشرة.

من مرشّح سيلفي إلى علاج جذر سنّ، يبدأ الأمر بنقطة. وإنسانٌ يضعها هناك.

احجز عرضًا ←

نقطة على ركبة عدّاء ونقطة على ذيل سمكة سلمون هما الفكرة نفسها. صنّف المعلم. واربط البنية. وعلّم الآلة ما يهمّ.

غادر تصنيف الوضعية الصالة الرياضية منذ زمن بعيد. فهو يجري الآن في الحقول، وفي الحظائر، وفي الأقفاص البحرية.

إليك كيف يبدو ذلك في العالم الحقيقي.

المحاصيل: أين تقطع، ومتى تقطف.

الفراولة ليست مجرد «ناضجة أو لا». يحتاج روبوت الحصاد أن يعرف الموضع الدقيق للإمساك والموضع الدقيق للقطع.

فيصنّف الباحثون نقاطًا مفصلية على الثمرة نفسها. تصنّف مجموعة بيانات عامة واحدة خمس نقاط لكل فراولة: نقطة القطف، وأعلى الثمرة وأسفلها، ونقطتا الإمساك اليسرى واليمنى للقابض. وتُصنَّف درجة النضج أيضًا — باللون، من غير الناضجة (أخضر/أبيض) إلى نصف الناضجة إلى تامّة النضج (أحمر). ^٥٧٥٨٥٩

تلك التصنيفات هي الحقيقة الأساسية. ويتعلّم الروبوت أين يمدّ يده بنسخ آلاف النقاط الموضوعة بشريًا.

الماشية: العَرَج الذي لا تراه العين.

البقرة العرجاء تكلّف مالًا وتشير إلى ألم. وأبكر علامة تغيّر في المشية — خفيّ، يسهل تفويته في مزرعة مزدحمة.

النقاط المفصلية تلتقطه. يصنّف المصنّفون نقاطًا تشريحية على البقرة عبر إطارات الفيديو. استخدمت دراسة واحدة خمس نقاط مفصلية على طول الظهر لقياس التقوّس، إضافةً إلى نقطتي رأس لرصد وضعية الرأس. ومن تلك النقاط المتتبَّعة يقرأ النموذج الوضعية والمشية، ثم يرصد العَرَج. ^٦٠

تُبلّغ الأنظمة المنشورة عن دقّة عَرَج في أواخر الثمانينيات إلى أواخر التسعينيات بالمئة — متتبّعٌ قائم على DeepLabCut نحو ٨٧–٩٠٪، ونظام وضعية آخر ٩٤–١٠٠٪ — كلّها مبنية على وضعية حيوانية مصنَّفة بشريًا. ^٦٠٦١

الاستزراع المائي: عدّ وقياس سمك لا تستطيع لمسه.

لا تستطيع وضع سمكة سلمون على ميزان كل يوم. فتقيسها المزارع بالكاميرات بدلًا من ذلك.

يضع المصنّفون نقاطًا مفصلية على السمكة — الرأس، الذيل، الزعانف — فيتعلّم النموذج قراءة الحجم من تلك النقاط. يستخدم إطار عمل بحري واحد على سمك الكوبيا أربع نقاط مفصلية: الرأس، الذيل، الزعنفة اليسرى، الزعنفة اليمنى. وتُبلّغ دراسة نقاط مفصلية منفصلة عن تقديرات طول سمك دقيقة بنحو ٩٧٪، في حدود سنتيمتر تقريبًا من الحقيقة الأساسية. ^٦٢٦٣

مسار العمل نفسه، حيوان مختلف: بنية يصنّفها إنسان، يقيسها آلة.

الأحياء البرية: السلوك في البرّية، بلا طوق.

تتتبّع فرق الحفظ الحيوانات بالوضعية وحدها الآن — الشمبانزي والبونوبو في البرّية، وقطعان الفيلة كاملةً من لقطات الطائرات المسيّرة، والسلمون في أحواض البحث. تتيح أدوات مثل DeepLabCut للباحثين تصنيف نقاط مفصلية على بضع مئات من الإطارات، ثم تتبّع الوضعية عبر ساعات من الفيديو. ^{٦٤٦٥٦٦٦٧}

بلا وسوم. بلا أطواق. مجرد معالم علّم إنسانٌ النموذج أن يجدها.

طريقة واحدة. من عدّاء إلى سمكة سلمون.

كل واحدة من هذه تبدأ بالطريقة نفسها: إنسانٌ يضع نقطة في مركز مفصل، أو ساق ثمرة، أو زعنفة.

ذلك هو تصنيف النقاط المفصلية في محرك التصنيف لدينا — نقاط مصنَّفة ملوّنة على صورة، ومعيار ذهبي مكتوب بشريًا كالإجابة الصحيحة، مُصدَّرة كـJSON قياسي. واحدة من ١٨٠ واجهة عبر ٧ وسائط، كلّها مباشرة.

الحيوان يتغيّر. والطريقة لا. البشر يعلّمون الآلة — وذكاؤك الاصطناعي ليس أفضل ممّن علّموه.

مستعدّ لتعليمها أن ترى؟ احجز عرضًا على annota8.ai.

الحجب هو حيث تنحرف معظم مجموعات بيانات النقاط المفصلية بصمت. ساقٌ تختفي خلف الأخرى. يدٌ تذهب خلف الظهر. مصنّفٌ يخمّن — أو يتخطّى بلا اتّساق — يُعلّم النموذج ضجيجًا.

الحلّ قاعدة مكتوبة، تُطبَّق بالطريقة نفسها في كل مرة. COCO تمنحك العلم؛ وأنت تمنحها السياسة.

قاعدتان تجعلان هذا محكمًا:

قدّر المحجوب، ولا تخترع الغائب أبدًا. إن كانت ركبة خلف ساق، فأنت تعرف موضعها تقريبًا — صنّفها 1 وضع تقديرك. وإن كانت قدم خارج أسفل الإطار، فلا تعرف — صنّفها 0 واتركها عند الأصل. ^٢٢٢٣

قرّر قبل أن تصنّف، ثم افرض. اكتب السياسة في الدليل مع صورة لكل صفّ. معالجة الحجب غير المتّسقة من أهدأ طرق تسميم مجموعة بيانات — وأصعبها تصحيحًا بعد التدريب.

هذه «جودة تدخل». لا تستطيع الآلة تمييز «زال» من «خلف شيء» إلا إذا أخبرها مصنّفوك بالفرق، بالطريقة نفسها، في كل مرة.

جودة تصنيف النقاط المفصلية تتلخّص في قاعدة واحدة: كل مصنّف يضع النقطة نفسها في الموضع نفسه، في كل مرة. حقّق ذلك، فيتعلّم النموذج بنية نظيفة. أهمله، فتُعلّم الآلة ضجيجك.

إليك قائمة التحقّق التي نُجريها.

١. ثبّت الأنطولوجيا أولًا. قرّر بالضبط أي النقاط موجودة وما يعنيه كلٌّ منها قبل أن يصنّف أحد. معيار وضعية الجسم هو ١٧ نقطة في COCO — الأنف، والعينان، والأذنان، والكتفان، والمرفقان، والمعصمان، والوركان، والركبتان، والكاحلان. وتحتاج الأيدي والوجوه والأشياء أنطولوجياتها الخاصة. اختر واحدة واكتبها. ^٦٩

٢. اكتب الدليل، بالصور. «كتف» ليس تعليمة. «مركز مفصل الكتف العضدي، حتى حين تُرفع الذراع» هو التعليمة. عرّف كل معلم تشريحيًا. اعرض مثالًا صحيحًا وآخر خاطئًا لكل نقطة.

٣. اطلب دقة مركز المفصل. النقاط المفصلية ليست «قرب المرفق». إنها على مركز المفصل. نقطة تنحرف بضع بكسلات في كل مرة تصير نموذجًا يخمّن. في محرك التصنيف لدينا، يضع المصنّفون نقاطًا ملوّنة — كتف، مرفق، معصم، ركبة — بدقة مركز المفصل على لوحة الصورة.

٤. اضبط سياسة حجب صريحة. الصور الحقيقية تُخفي أشياء. تُرمّز COCO هذا بعلم رؤية لكل نقطة: v=0 غير مصنَّفة، v=1 مصنَّفة لكن غير مرئية (محجوبة)، v=2 مصنَّفة ومرئية. قرّر قاعدتك مسبقًا — أيقدّر المصنّفون ركبة مختفية، أم يتخطّونها؟ ثم افرضها. معالجة الحجب غير المتّسقة من أهدأ طرق تسميم مجموعة بيانات. ^٦٨

٥. عالِج القطع وتعدّد الأجسام. ساق تقطعها حافّة الإطار. لاعبان متداخلان. على دليلك أن يقول ما العمل: أي جسم يُصنَّف، وكيف تُعالَج النقاط خارج الإطار، وكيف تُبقي الهياكل من تشابك أسلاكها. الغموض هنا يتضاعف سريعًا.

٦. قِس اتفاق المصنّفين — ثم احكم. دع عدّة أشخاص يصنّفون الصور نفسها. قارن. والتسامح المعياري مكاني: كم يبتعد مصنّفان، بالبكسل، عند المفصل نفسه. حين يهبط الاتفاق على مفصل بعينه، فدليلك غامض، لا مصنّفوك. أصلِح الدليل، وأعِد التدريب، وأعِد القياس. أرسل الخلافات الحقيقية إلى حَكَمٍ لإجابة ذهبية. ^٧٠

٧. ابنِ معيارًا ذهبيًا. مجموعة «إجابة صحيحة» مكتوبة باليد هي كيف تُقيّم الجميع مقابل الحقيقة، لا مقابل بعضهم. وفي محركنا تعمل أيضًا كمرجع للتصنيف المسبق: نموذج من الأعلى للأسفل مثل ViTPose، مقترنًا بكاشف أشخاص مثل YOLO، يقترح نقاطًا، يصحّحها إنسان، وتلتقط المجموعة الذهبية الانحراف. ^٧١

إليك الجزء الذي تستهين به معظم الفرق. مقياس الدقة الخاصّ بـCOCO، أي OKS (تشابه النقاط المفصلية للأجسام)، يقيس الخطأ المسموح على كل نقطة بمقدار اختلاف المصنّفين البشريين على تلك النقطة أصلًا. قاست COCO ذلك الانتشار عبر ٥٬٠٠٠ صورة مصنَّفة بتكرار — فتنال نقطة محدّدة جيدًا كالعين تسامحًا أضيق من نقطة غامضة كالورك. المقياس مبني حرفيًا من اتّساق البشر. النقاط المُهمَلة لا تخفض تصنيفًا واحدًا فحسب — بل توسّع السقف الذي يُقاس به المجال كلّه. ^٦٨٦٩

لهذا ينعكس انضباط التصنيف مباشرةً في المقياس الذي يُبلّغ عنه نموذجك. كيف تضع نقطة وتصنّفها يحسم الـOKS الذي يستطيع تحقيقه.

نموذج الوضعية يتعلّم الهيكل الذي ترسمه. بضع نقاط موضوعة بسوء، مكرّرةً عبر مجموعة بيانات، فيتعلّم النموذج المفصل الخاطئ. جودة تدخل، جودة تخرج.

البشر يعلّمون الآلة. ذكاؤك الاصطناعي ليس أفضل ممّن علّموه.

تصنيف النقاط المفصلية مكلِف لأن شخصًا يضع كل نقطة، على كل حالة، على كل إطار. والفيديو يزيده سوءًا — مقطع ٣٠ ثانية بمعدّل ٣٠ إطارًا في الثانية يساوي ٩٠٠ إطار. وإليك كيف تُبقي الفرق الفاتورة منخفضة فعلًا دون تسميم البيانات.

التصنيف المسبق بمساعدة النموذج. يضع نموذج وضعية (YOLO-pose أو ViTPose أو OpenPose أو MediaPipe) هيكلًا أوّليًا، ويصحّحه الإنسان بدل وضعه من الصفر. والتصحيح أسرع من التأليف. والمصيدة: نقطة آلية واثقة لكن خاطئة يسهل ختمها بلا تدقيق، فمرحلة المراجعة البشرية ليست اختيارية. ^٢٧٧١

استيفاء الإطارات للفيديو. صنّف النقاط المفصلية على الإطارات المفتاحية، ودع الأداة تستوفي المفاصل عبر الإطارات بينها، ثم افحص عشوائيًا وصحّح حيث تكسر الحركة الاستيفاء. تدفع مقابل جزء من الإطارات وتراجع الباقي.

اتّساق المناظر المتعدّدة. حين تملك كاميرات متزامنة، مفصل مصنَّف في منظر يقيّد موضعه في الباقية. مرور واحد متأنٍّ ينتشر.

المراجعة المرحلية. صنّف ← مراجعة الأقران ← حكم الخلافات ← تدقيق المعيار الذهبي. كل مرحلة تكلّف وقتًا لكنها تلتقط الأخطاء التي تكلّف أكثر بكثير بعد التدريب.

إليك الرقم الذي يؤطّر كل ذلك: عبر صناعة تصنيف البيانات، يلتهم الإهدار وإعادة العمل نحو ٦٠٪ من الميزانية. الشخص الخطأ يصنّفه، فيعود، فتُعيده — ومعظم الإنفاق لم يلمس تصنيفًا صحيحًا قطّ. تلك ضريبة سوء العملية، لا سوء الناس.

تلك الـ٦٠٪ هي بالضبط الإهدار الذي بنينا محرك التصنيف من Annota8 لخفضه: تصنيف مسبق لتقليص المرور الأول، ومعيار ذهبي لالتقاط الانحراف مبكرًا، وفحوص اتفاق كي تحدث إعادة العمل قبل التدريب لا بعده. الآلة تقترح، والإنسان يقرّر، والمجموعة الذهبية تُبقي كليهما صادقَين.

جودة تدخل، جودة تخرج. احجز عرضًا على annota8.ai.