קורס יסודות בינה מלאכותית RB26-22 : שימוש ב API ,Pose

מחבר:admin
פורסם:אוגוסט 5, 2025
קטגוריה:רובוטרוניקס כללי
תגובות:אין תגובות

קורס יסודות בינה מלאכותית RB26-22 : שימוש ב API יצירת בינה מלאכותית

שימוש ב API ובינה מלאכותית

שימוש ב-API ובינה מלאכותית מאפשר לך:

1. חיבור בין מערכות

API הוא ממשק שמאפשר לתוכנות לתקשר זו עם זו.
לדוגמה: אתה שולח טקסט ל-API של GPT, ומקבל תשובה חכמה בחזרה.

2. שימוש ביכולות של בינה מלאכותית מוכנה

לדוגמה:
- API של Google Vision → זיהוי אובייקטים בתמונה
- API של OpenAI → ניתוח טקסט, שיחה, תרגום, כתיבה
- API של Whisper → תמלול קבצי אודיו
- API של HuggingFace → אלפי מודלים שונים לבינה מלאכותית

3. אוטומציה וניתוח מידע

שימוש ב-AI דרך API לביצוע פעולות כמו:
- סינון תגובות פוגעניות
- זיהוי רגשות
- חיזוי מגמות
- ניתוח שפה טבעית (NLP)

4. דוגמאות פרקטיות

שימוש	API	תוצאה
תרגום טקסט	Google Translate API	תרגום אוטומטי
זיהוי בתמונה	OpenCV + YOLO דרך API	זיהוי עצמים
שיחה עם בוט	ChatGPT API	תמיכה חכמה
ניתוח קול	Whisper API	תמלול אודיו

תרגיל כיתה 1:

צרו API לפי הסרטון
הרצו את התוכנה לפי הקישור ב קולאב – זכרו להתקין את הספריה בקוד ולהחליף ל API שלכם https://colab.research.google.com/drive/10FpKkIizDJMvlUNb1p8N6RpgV_40GRo4?usp=sharing

תרגיל כיתה 2 :

צור קוד בעזרת Maps API ובינה מלאוכתית

שלב 1

שלב 2

תרגיל כיתה 3: (תירגול כיתה חומר נילמד ) (דמות AVATAR)

נתח את קובץ האקסל data_heb יבא אותו ל chatGpt ו GIMINI בקשו הבינה המלאכותית – לנתח את הנתונים

1.1 איזה עצה היית נותן שיש לאנשים הכנסה נמוכה ואין כסף למורים פרטים עבור שילהם שלהם יהיו טובים בחשבון ?

1.2 מה יכול לעשות הורה שאין לו תקציב לשיעורים פרטים לשפר את רמה בחשבון של ילדיו

2. צור סרטון ב CANVA עם דמות AVATAR אשר מדברת מציגה את המסקנות , צור מספר תמונות רקע עלידי בינה מלאוכתית

2.1 צור פודקאסט לקובץ אקסל ולמסקנות A.I

OPENPOSE YOLO

מה זה OpenPose ומה השימושים שלו בתעשייה?

OpenPose היא ספריית קוד פתוח מתקדמת לזיהוי תנוחות גוף, ידיים ופנים מתוך תמונות או סרטונים. המערכת משתמשת בלמידת מכונה כדי לזהות ולנתח נקודות מפתח בגוף האדם, כמו כתפיים, ברכיים, מרפקים, אצבעות ועוד.

שימושים עיקריים של OpenPose בתעשייה:

רפואה ושיקום – ניטור תנועות של מטופלים לצורך מעקב אחר תרגילים שיקומיים וזיהוי בעיות תנועה.
ספורט וביצועים – ניתוח תנועות ספורטאים לשיפור טכניקה, מניעת פציעות והדרכה חכמה.
משחקים ומציאות מדומה (VR) – מעקב אחרי תנועות גוף לשליטה אינטראקטיבית בדמויות.
אבטחה ובקרה – זיהוי תנוחות והתנהגויות חשודות מתוך מצלמות במעגל סגור.
אנימציה והפקות וידאו – לכידת תנועות גוף לצורך יצירת דמויות מונפשות או אפקטים מציאותיים.

OpenPose הפכה לכלי מרכזי בפרויקטים שמערבים חיבור בין אדם לטכנולוגיה, ומאפשרת רמה חדשה של אינטראקציה חכמה עם מערכות מחשב.

1 קישורים :

https://docs.ultralytics.com/tasks/pose/#what-are-the-available-ultralytics-yolo11-pose-models-and-their-performance-metrics

https://github.com/Alimustoofaa/YoloV8-Pose-Keypoint-Classification

POSE (הערכת תנוחות גוף) בבינה מלאכותית – חשיבות ויישומים

מה זה POSE ESTIMATION?
Pose Estimation (הערכת תנוחות גוף) היא טכנולוגיה מבוססת בינה מלאכותית המזהה את מיקום המפרקים והחלקים העיקריים של גוף האדם (למשל ראש, כתפיים, מרפקים, ברכיים וכו') בתמונה או בווידאו. התוצאה היא שלד דיגיטלי דו-ממדי (2D) או תלת-ממדי (3D) המתאר את תנוחת הגוף.

למה זה חשוב?

הבנת התנהגות אנושית – הערכת תנוחות מאפשרת למחשב להבין פעולות אנושיות כמו ריצה, נפילה, הליכה, או תנועות גוף עדינות.
ללא צורך בחיישנים – ניתן לבצע ניתוח מדויק מתמונות בלבד, ללא צורך בחיישני תנועה פיזיים.
תמיכה בראייה ממוחשבת מתקדם – Pose Estimation היא שכבה קריטית מעל Object Detection, ותומכת ביישומים מורכבים יותר.

יישומים נפוצים של POSE ESTIMATION:

רפואה ושיקום
- ניטור תנוחת מטופל בזמן פיזיותרפיה
- זיהוי נפילות של קשישים
- בקרה על תרגילים שיקומיים בבית
ספורט וכושר
- תיקון אוטומטי של תרגילי כושר (באפליקציות כמו Tempo, VAY, או Peloton)
- ניתוח ביצועים של ספורטאים (ריצה, גולף, טניס וכו')
אבטחה וזיהוי אנומליות
- זיהוי התנהגות חריגה במרחב ציבורי (למשל ריצה חריגה בשדה תעופה)
- ניתוח תנועות גוף לגילוי תקיפה פיזית בזמן אמת
מציאות מדומה (VR) ורבודה (AR)
- תרגום תנועות משתמש לאווטאר תלת-ממדי
- שליטה במשחקים או סימולציות בלי שלטים
חינוך ושימושים חברתיים
- לימוד ריקוד או יוגה עם משוב אוטומטי על תנועה
- ניתוח שפת גוף עבור לקויות תקשורת
בידור וקולנוע
- לכידת תנועה (Motion Capture) ללא חיישנים
- אנימציה חיה של דמויות בזמן אמת

טכנולוגיות נפוצות

OpenPose (מבוסס על Caffe)
MediaPipe Pose (מבית Google)
BlazePose
PoseNet (TensorFlow.js)

לסיכום, Pose Estimation היא טכנולוגיה מרכזית בתחומי ראייה ממוחשבת ובינה מלאכותית, בעלת תרומה מכרעת ליישומים מבוססי תנועה והבנת גוף האדם – והיא רק הולכת ומתפתחת.

2 .איך ניתן לנתח את את התמונות

3. קישור להורדת וידאו

https://y2meta.tube/convert/?videoId=esGZTeb_AiM

from ultralytics import YOLO
import cv2
# Define keypoint names as per the model's standard output
keypoint_names = [
    "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"
]
# Load the YOLOv8 pose model
model = YOLO("yolov8n-pose.pt")  # Ensure you have the YOLOv8 pose model downloaded
# Load the image
image_path = r"d:\temp\h1.jpg"
image = cv2.imread(image_path)
if image is None:
    print(f"Image not found at {image_path}")
else:
    # Run pose detection
    results = model.predict(source=image, save=False, conf=0.5)
    # Extract and print keypoints with names
    for result in results:
        print("Detected Keypoints:")
        for i, (x, y, conf) in enumerate(result.keypoints.data[0]):
            # Check if the index is within the keypoint names list
            keypoint_name = keypoint_names[i] if i < len(keypoint_names) else f"Keypoint {i + 1}"
            print(f"{keypoint_name}: x={x:.2f}, y={y:.2f}, confidence={conf:.2f}")
    # Display the image with keypoints overlayed
    annotated_image = results[0].plot()
    cv2.imshow("Pose Detection", annotated_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

from ultralytics import YOLO
import cv2
# Define keypoint names
keypoint_names = [
    "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"
]
# Load YOLOv8 pose model
model = YOLO("yolov8n-pose.pt")  # Ensure the model file is in the same directory or provide the full path
# Load the video file
video_path = r"d:\temp\d2.mp4"
output_path = r"d:\temp\output_pose_scaled.mp4"
cap = cv2.VideoCapture(video_path)
if not cap.isOpened():
    print(f"Cannot open video file: {video_path}")
else:
    # Get original frame width and height
    original_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    original_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fps = int(cap.get(cv2.CAP_PROP_FPS))  # Frame rate of the input video
    
    # Calculate new dimensions (40% smaller)
    scaled_width = int(original_width * 0.6)
    scaled_height = int(original_height * 0.6)
    # Set up the video writer
    fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Codec for MP4 output
    out = cv2.VideoWriter(output_path, fourcc, fps, (scaled_width, scaled_height))
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        # Resize frame (scale down by 40%)
        scaled_frame = cv2.resize(frame, (scaled_width, scaled_height))
        # Run pose detection on the scaled frame
        results = model.predict(source=scaled_frame, save=False, conf=0.5)
        # Annotate the frame
        annotated_frame = results[0].plot()
        # Write the annotated frame to the output video
        out.write(annotated_frame)
        # Display the frame (optional, press 'q' to stop)
        cv2.imshow("Pose Detection (Scaled 40%)", annotated_frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    cap.release()
    out.release()
    cv2.destroyAllWindows()
    print(f"Output video saved to {output_path}")