So verwendest du Ultralytics YOLO11 für Pose Estimation

Forschung im Bereich computer vision, einem Teilbereich der künstlichen Intelligenz (KI), lässt sich bis in die 1960er Jahre zurückverfolgen. Doch erst in den 2010er Jahren, mit dem Aufstieg des deep learning, erlebten wir große Durchbrüche dabei, wie Maschinen Bilder verstehen. Einer der neuesten Fortschritte im computer vision sind die hochmodernen Ultralytics YOLO11 Modelle. Die YOLO11 Modelle, die erstmals auf dem jährlichen Hybrid-Event von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt wurden, unterstützen eine Reihe von computer vision tasks, einschließlich der Pose-Schätzung.

Pose estimation kann verwendet werden, um key points an einer Person oder einem Objekt in einem Bild oder Video zu erkennen, um deren Position, Körperhaltung oder Bewegung zu verstehen. Es wird häufig in Anwendungen wie sports analytics, animal behavior monitoring und robotics eingesetzt, um Maschinen dabei zu helfen, physische Aktionen in Echtzeit zu interpretieren. Dank seiner verbesserten Genauigkeit, Effizienz und Geschwindigkeit gegenüber earlier models aus der YOLO (You Only Look Once) series ist YOLO11 bestens für real-time pose estimation tasks geeignet.

Abb. 1: Ein Beispiel für die Verwendung von Ultralytics YOLO11 zur Pose-Schätzung.

In diesem Artikel werden wir untersuchen, was pose estimation ist, einige ihrer Anwendungen besprechen und durchgehen, wie du YOLO11 mit dem Ultralytics Python package für die Pose-Schätzung verwenden kannst. Wir werden auch einen Blick darauf werfen, wie du Ultralytics HUB nutzen kannst, um YOLO11 und pose estimation mit wenigen Klicks auszuprobieren. Fangen wir an!

Link to this sectionWas ist Pose-Schätzung?#

Bevor wir uns damit befassen, wie du das neue Ultralytics YOLO11 model für die Pose-Schätzung verwendest, lass uns ein besseres Verständnis für die Pose-Schätzung gewinnen.

Pose-Schätzung ist eine computer vision Technik, die dazu dient, die Pose einer Person oder eines Objekts in einem Bild oder Video zu analysieren. Deep learning Modelle wie YOLO11 können key points auf einem bestimmten Objekt oder einer Person identifizieren, lokalisieren und verfolgen. Bei Objekten können diese key points Ecken, Kanten oder markante Oberflächenmerkmale sein, während diese key points bei Menschen wichtige Gelenke wie Ellbogen, Knie oder Schultern repräsentieren.

Pose-Schätzung ist einzigartig und komplexer im Vergleich zu anderen computer vision Aufgaben wie object detection. Während object detection Objekte in einem Bild lokalisiert, indem sie einen Rahmen um sie zeichnet, geht die Pose-Schätzung weiter, indem sie die genauen Positionen der Key Points auf dem Objekt vorhersagt.

Abb. 2: Verwendung von YOLO11 zur Erkennung und Schätzung der Körperhaltungen von Personen in einem Büro.

Wenn es um Pose-Schätzung geht, gibt es zwei Hauptansätze: Bottom-up und Top-down. Der Bottom-up-Ansatz erkennt einzelne Key Points und gruppiert sie zu Skeletten, während der Top-down-Ansatz sich darauf konzentriert, zuerst objects to detect und dann die Key Points innerhalb dieser zu schätzen.

YOLO11 kombiniert die Stärken sowohl von Top-down- als auch von Bottom-up-Methoden. Wie der Bottom-up-Ansatz hält es die Dinge einfach und schnell, ohne dass Key Points manuell gruppiert werden müssen. Gleichzeitig nutzt es die Genauigkeit der Top-down-Methode, indem es Personen erkennt und deren Posen schätzt – alles in einem einzigen Schritt.

Link to this sectionAnwendungsfälle der Pose-Schätzung für YOLO11#

Die vielseitigen Fähigkeiten von YOLO11 für die Pose-Schätzung eröffnen ein breites Spektrum an Anwendungsmöglichkeiten in vielen Branchen. Lass uns einige Anwendungsfälle der Pose-Schätzung mit YOLO11 genauer betrachten.

Link to this sectionPose-Schätzung in Echtzeit mit YOLO11: Verbesserung der Arbeitssicherheit#

Sicherheit ist ein wichtiger Aspekt bei jedem construction Projekt. Das gilt insbesondere deshalb, weil Baustellen statistisch gesehen eine höhere Anzahl an arbeitsbedingten Verletzungen aufweisen. Im Jahr 2021 ereigneten sich etwa 20 % aller arbeitsbedingten fatal injuries auf oder in der Nähe von Baustellen. Angesichts täglicher Risiken wie heavy equipment und elektrischer Anlagen sind starke Sicherheitsmaßnahmen unerlässlich, um Arbeiter zu schützen. Herkömmliche Methoden wie das Aufstellen von Schildern, Barrikaden und die manuelle Überwachung durch Vorgesetzte sind nicht immer effektiv und halten Vorgesetzte oft von wichtigeren Aufgaben ab.

KI kann hier eingreifen, um die Sicherheit zu erhöhen, und das Unfallrisiko kann durch ein auf Pose-Schätzung basierendes Überwachungssystem für Arbeiter gesenkt werden. Ultralytics YOLO11 Modelle können verwendet werden, um Bewegungen und Körperhaltungen von Arbeitern zu verfolgen. Potenzielle Gefahren, wie etwa wenn Arbeiter zu nah an gefährlichen Geräten stehen oder Aufgaben falsch ausführen, können schnell erkannt werden. Wird ein Risiko festgestellt, können Vorgesetzte benachrichtigt oder der Arbeiter durch einen Alarm gewarnt werden. Ein kontinuierliches Überwachungssystem kann Baustellen sicherer machen, indem es ständig nach Gefahren Ausschau hält und Arbeiter schützt.

Abb. 3: Ein Beispiel für Pose-Schätzung auf einer Baustelle unter Verwendung von YOLO11.

Link to this sectionPose-Schätzung mit YOLO11 zur Überwachung von Viehbeständen#

Landwirte und Forscher können YOLO11 nutzen, um die Bewegung und das behavior of farm animals, wie Rinder, zu untersuchen und frühe Anzeichen von Krankheiten wie Lahmheit zu erkennen. Lahmheit ist ein Zustand, bei dem ein Tier aufgrund von Schmerzen in den Beinen oder Füßen Schwierigkeiten hat, sich richtig zu bewegen. Bei Rindern beeinträchtigen Krankheiten wie Lahmheit nicht nur deren Gesundheit und Wohlbefinden, sondern führen auch zu Produktionsproblemen in Milchviehbetrieben. Studien zeigen, dass lameness weltweit zwischen 8 % der Rinder in Weidehaltung und 15 % bis 30 % in Stallhaltung betrifft. Das frühzeitige Erkennen und Behandeln von Lahmheit kann helfen, das animal welfare zu verbessern und die damit verbundenen Produktionsverluste zu reduzieren.

Die Pose-Schätzungsfunktionen von YOLO11 können Landwirten helfen, die Gangmuster der Tiere zu verfolgen und schnell Anomalien zu identifizieren, die auf gesundheitliche Probleme hindeuten könnten, wie etwa Gelenkprobleme oder Infektionen. Die frühzeitige Erkennung dieser Probleme ermöglicht eine schnellere Behandlung, reduziert das Unbehagen der Tiere und hilft Landwirten, wirtschaftliche Verluste zu vermeiden.

vision AI Überwachungssysteme können auch helfen, das Ruheverhalten, soziale Interaktionen und Fressmuster zu analysieren. Landwirte können Pose-Schätzung außerdem nutzen, um Anzeichen von Stress oder Aggression zu beobachten. Diese Erkenntnisse können dazu beitragen, bessere Lebensbedingungen für die Tiere zu schaffen und ihr Wohlbefinden zu steigern.

Abb. 4. Eine Visualisierung der Pose-Estimation bei Kühen.

Link to this sectionAnwendungsfälle von YOLO11 in der Fitnessbranche#

Pose-Schätzung kann Menschen auch dabei helfen, ihre Körperhaltung beim Training in Echtzeit zu verbessern. Mit YOLO11 können Fitness- und Yogalehrer die body movements der Trainierenden überwachen und verfolgen, wobei der Fokus auf Key Points wie Gelenken und Gliedmaßen liegt, um deren Haltung zu beurteilen. Die gesammelten Daten können mit idealen Posen und Übungstechniken verglichen werden, und Trainer können Alarme erhalten, wenn jemand eine Bewegung falsch ausführt, was hilft, Verletzungen vorzubeugen.

Abb. 5. Verwendung von Pose-Schätzung zur Analyse eines Workouts.

Zum Beispiel kann Pose-Schätzung während einer Yogastunde dabei helfen, zu überwachen, ob alle Schüler ein korrektes Gleichgewicht und eine richtige Ausrichtung beibehalten. Mobile Apps, die mit computer vision und Pose-Schätzung integriert sind, können Fitness für Menschen, die zu Hause trainieren oder keinen Zugang zu Personal Trainern haben, zugänglicher machen. Dieses kontinuierliche Echtzeit-Feedback hilft den Nutzern, ihre Technik zu verbessern und ihre Fitnessziele zu erreichen, während gleichzeitig das Verletzungsrisiko gesenkt wird.

Link to this sectionEchtzeit-Pose-Schätzung mit dem YOLO11 Modell ausprobieren#

Nachdem wir nun untersucht haben, was Pose-Schätzung ist und einige ihrer Anwendungen besprochen haben, lass uns einen Blick darauf werfen, wie du Pose-Schätzung mit dem neuen YOLO11 Modell ausprobieren kannst. Um loszulegen, gibt es zwei bequeme Möglichkeiten: die Verwendung des Ultralytics Python Pakets oder Ultralytics HUB. Lass uns beide Optionen betrachten.

Link to this sectionInferenz mit YOLO11 ausführen#

Das Ausführen einer inference beinhaltet, dass das YOLO11 Modell neue Daten außerhalb seiner training Sätze verarbeitet und die gelernten Muster verwendet, um Vorhersagen auf Basis dieser Daten zu treffen. Du kannst Inferences über Code mit dem Ultralytics Python Paket ausführen. Alles, was du tun musst, um loszulegen, ist das Ultralytics Paket über pip, conda oder Docker zu installieren. Solltest du bei der Installation auf Probleme stoßen, bietet unser Common Issues Guide hilfreiche Tipps zur Fehlerbehebung.

Sobald du das Paket erfolgreich installiert hast, zeigt der folgende Code, wie man ein Modell lädt und es verwendet, um Posen von Objekten in einem Bild vorherzusagen.

Abb. 6: Ein Code-Schnipsel, der die Ausführung von Inferences mit YOLO11 zeigt.

Link to this sectionTraining eines benutzerdefinierten YOLO11 Modells#

Let's say you are working on a computer vision project and you have a specific dataset for a particular application involving pose estimation. Then you can fine-tune and train a custom YOLO11 model to suit your application. For example, you can use a dataset of keypoints to analyze and understand the pose of a tiger in images by identifying key features such as the position of its limbs, head, and tail.

Du kannst den folgenden Code-Schnipsel verwenden, um ein YOLO11 Modell zur Pose-Schätzung zu laden und zu trainieren. Das Modell kann aus einer YAML configuration erstellt werden, oder du kannst ein vortrainiertes Modell für das Training laden. Dieses Skript ermöglicht es dir auch, Gewichte zu übertragen und das Training des Modells mit einem spezifizierten Datensatz zu starten, wie etwa dem COCO dataset für Pose-Schätzung.

Abb. 7: Individuelles Training von YOLO11.

Mit dem neu trainierten benutzerdefinierten Modell kannst du Inferences auf ungesehenen Bildern ausführen, die sich auf deine computer vision solution beziehen. Das trainierte Modell kann auch mit dem export mode in andere Formate konvertiert werden.

Link to this sectionYOLO11 auf Ultralytics HUB ausprobieren#

Bisher haben wir Methoden zur Verwendung von YOLO11 betrachtet, die grundlegende Programmierkenntnisse erfordern. Falls das nicht das ist, wonach du suchst, oder du nicht mit Programmierung vertraut bist, gibt es eine weitere Option: Ultralytics HUB. Ultralytics HUB ist eine benutzerfreundliche Plattform, die darauf ausgelegt ist, den Prozess des Trainierens und Bereitstellens von YOLO Modellen zu vereinfachen. HUB ermöglicht es dir, Datensätze einfach zu verwalten, Modelle zu trainieren und sie ohne technische Expertise bereitzustellen.

Um Inferences auf Bildern auszuführen, kannst du ein Konto erstellen, zum Bereich „Models“ navigieren und das YOLO11 Pose-Schätzungsmodell auswählen, das dich interessiert. Im Vorschau-Bereich kannst du ein Bild hochladen und die Ergebnisse der Vorhersage wie unten gezeigt ansehen.

Abb. 8: Pose-Schätzung auf Ultralytics HUB mit YOLO11.

Link to this sectionYOLO11 Fortschritte bei der Erkennung menschlicher Körperhaltungen#

Ultralytics YOLO11 bietet genaue und flexible Lösungen für Aufgaben wie die Pose-Schätzung in einer Vielzahl von Anwendungen. Von der Verbesserung der Sicherheit von Arbeitern auf Baustellen bis hin zur Überwachung der Tiergesundheit und der Unterstützung bei der Haltungskorrektur bei Fitnessübungen bringt YOLO11 Präzision und Echtzeit-Feedback durch fortschrittliche computer vision Technologie.

Seine Vielseitigkeit, mit mehreren Modellvarianten und der Möglichkeit des individuellen Trainings für spezifische Anwendungsfälle, macht es zu einem wertvollen Werkzeug für Entwickler und Unternehmen gleichermaßen. Ob durch Programmierung mit dem Ultralytics Python Paket oder durch die Verwendung des Ultralytics HUB für eine einfachere Implementierung, YOLO11 macht Pose-Schätzung zugänglich und wirkungsvoll.

Um mehr zu erfahren, besuche unser GitHub repository und engagiere dich in unserer community. Erkunde KI-Anwendungen in den Bereichen manufacturing und agriculture auf unseren Lösungsseiten. 🚀