So verwendest du Ultralytics YOLO11 für Pose Estimation

Forschungen zur computer vision, einem Zweig der künstlichen Intelligenz (KI), lassen sich bis in die 1960er Jahre zurückverfolgen. Es dauerte jedoch bis in die 2010er Jahre, als mit dem Aufstieg des deep learning große Durchbrüche dabei erzielt wurden, wie machines understand images. Einer der neuesten Fortschritte in der computer vision sind die hochmodernen Ultralytics YOLO11 Modelle. Die YOLO11 models, die erstmals auf Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), vorgestellt wurden, unterstützen eine Reihe von computer vision tasks, einschließlich der Pose-Schätzung.

Pose estimation kann verwendet werden, um detect key points an einer Person oder einem Objekt in einem Bild oder Video zu erkennen und deren Position, Haltung oder Bewegung zu verstehen. Es wird häufig in Bereichen 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 der YOLO (You Only Look Once) series eignet sich YOLO11 hervorragend für real-time pose estimation tasks.

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

In diesem Artikel untersuchen wir, was pose estimation ist, besprechen einige Anwendungen und gehen durch, wie du YOLO11 mit dem Ultralytics Python package für die Pose-Schätzung nutzen kannst. Wir werfen außerdem einen Blick darauf, wie du Ultralytics HUB verwenden kannst, um YOLO11 und die pose estimation mit wenigen Klicks auszuprobieren. Lass uns anfangen!

Was ist Pose-Schätzung?#

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

Pose estimation is a computer vision technique used to analyze the pose of a person or object in an image or video. Deep learning models like Ultralytics YOLO11 can identify, locate, and track key points on a given object or person. For objects, these key points might include corners, edges, or distinct surface markings, whereas for humans, these key points represent major joints like the elbow, knee, or shoulder.

Die Pose-Schätzung ist im Vergleich zu anderen Aufgaben der computer vision wie der object detection einzigartig und komplexer. Während die object detection Objekte in einem Bild durch das Zeichnen eines Rahmens um sie herum lokalisiert, geht die Pose-Schätzung noch einen Schritt weiter, indem sie die exakten Positionen von Schlüsselpunkten auf dem Objekt vorhersagt.

Abb. 2. Verwendung von Ultralytics YOLO11 zum Erkennen und Schätzen der Posen von Menschen in einem Büro.

Bei der Pose-Schätzung gibt es zwei Hauptansätze: Bottom-Up und Top-Down. Der Bottom-Up-Ansatz erkennt einzelne Schlüsselpunkte und gruppiert sie zu Skeletten, während sich der Top-Down-Ansatz darauf konzentriert, zuerst detecting objects und dann die Schlüsselpunkte darin zu schätzen.

Ultralytics YOLO11 kombiniert die Stärken von Top-Down- und Bottom-Up-Methoden. Ähnlich wie der Bottom-Up-Ansatz hält es die Dinge einfach und schnell, ohne dass Schlüsselpunkte manuell gruppiert werden müssen. Gleichzeitig nutzt es die Genauigkeit der Top-Down-Methode, indem es Personen erkennt und deren Posen in einem einzigen Schritt schätzt.

Anwendungsfälle für die Pose Estimation mit Ultralytics YOLO11#

Die vielseitigen Möglichkeiten von Ultralytics YOLO11 für die Pose Estimation eröffnen ein breites Spektrum an Anwendungsbereichen in vielen Branchen. Schauen wir uns einige Anwendungsfälle von YOLO11 für die Pose Estimation genauer an.

Echtzeit-Pose-Estimation mit Ultralytics YOLO11: Verbesserung der Arbeitssicherheit#

Sicherheit ist ein wichtiger Aspekt bei jedem construction-Projekt. Dies gilt insbesondere deshalb, weil Baustellen statistisch gesehen eine höhere Anzahl arbeitsbedingter 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 Systeme sind starke Sicherheitsmaßnahmen unerlässlich, um Arbeiter zu schützen. Herkömmliche Methoden wie Schilder, Absperrungen und manuelle Überwachung durch Vorgesetzte sind nicht immer effektiv und halten Vorgesetzte oft von kritischeren Aufgaben ab.

KI kann eingreifen, um die Sicherheit zu verbessern, und das Unfallrisiko kann durch ein auf Pose-Schätzung basierendes Arbeitnehmerüberwachungssystem verringert werden. Ultralytics YOLO11 Modelle können verwendet werden, um die Bewegungen und Haltungen von Arbeitern zu verfolgen. Potenzielle Gefahren wie Arbeiter, die zu nah an gefährlichen Geräten stehen oder Aufgaben falsch ausführen, können schnell erkannt werden. Wird ein Risiko festgestellt, können Vorgesetzte benachrichtigt oder ein Alarm ausgelöst werden, um den Arbeiter zu warnen. Ein kontinuierliches Überwachungssystem kann Baustellen sicherer machen, indem es stets nach Gefahren Ausschau hält und protecting workers.

Abb. 3. Ein Beispiel für die Pose Estimation auf einer Baustelle mit Ultralytics YOLO11.

Pose Estimation mit Ultralytics YOLO11 für die Viehüberwachung#

Landwirte und Forscher können Ultralytics YOLO11 nutzen, um die Bewegung und das Verhalten von Nutztieren wie Rindern zu untersuchen und so frühe Anzeichen von Krankheiten wie Lahmheit zu erkennen. Lahmheit ist ein Zustand, bei dem sich ein Tier aufgrund von Schmerzen in den Beinen oder Füßen nicht mehr richtig fortbewegen kann. Bei Rindern beeinträchtigen Krankheiten wie Lahmheit nicht nur deren Gesundheit und Wohlbefinden, sondern führen auch zu Produktionsproblemen in Milchbetrieben. Studien zeigen, dass Lahmheit weltweit in der Milchwirtschaft zwischen 8 % der Rinder in Weidesystemen und 15 % bis 30 % in Stallhaltungssystemen betrifft. Das frühzeitige Erkennen und Behandeln von Lahmheit kann dazu beitragen, das Tierwohl zu verbessern und die mit diesem Zustand verbundenen Produktionsverluste zu verringern.

Die Funktionen zur Pose Estimation von Ultralytics YOLO11 können Landwirten helfen, die Gangmuster der Tiere zu verfolgen und schnell Anomalien zu erkennen, die auf Gesundheitsprobleme wie Gelenkprobleme oder Infektionen hindeuten könnten. Ein frühzeitiges Erkennen dieser Probleme ermöglicht eine schnellere Behandlung, verringert das Unbehagen der Tiere und hilft Landwirten, wirtschaftliche Verluste zu vermeiden.

vision AI-gestützte Überwachungssysteme können zudem dabei helfen, das Ruheverhalten, soziale Interaktionen und Fressmuster zu analysieren. Landwirte können die Pose-Schätzung auch nutzen, um Beobachtungen zu Stress- oder Aggressionsanzeichen anzustellen. Diese Erkenntnisse können verwendet werden, um bessere Lebensbedingungen für Tiere zu schaffen und deren Wohlbefinden zu steigern.

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

Anwendungsfälle von Ultralytics YOLO11 in der Fitnessbranche#

Die Pose Estimation kann Menschen auch dabei helfen, ihre Körperhaltung während des Trainings in Echtzeit zu verbessern. Mit Ultralytics YOLO11 können Fitness- und Yogalehrer die Körperbewegungen trainierender Personen überwachen und verfolgen, wobei sie sich auf Schlüsselpunkte wie Gelenke und Gliedmaßen konzentrieren, um die Körperhaltung zu bewerten. Die gesammelten Daten können mit idealen Posen und Trainingstechniken verglichen werden, und Instruktoren können Warnungen erhalten, wenn jemand eine Übung falsch ausführt, was dazu beiträgt, Verletzungen zu verhindern.

Fig 5. Verwendung der Pose-Schätzung zur Analyse eines Workouts.

Beispielsweise kann die Pose-Schätzung während einer Yogastunde dabei helfen zu überwachen, ob alle students die richtige Balance und Ausrichtung einhalten. Mobile Anwendungen, die mit computer vision und Pose-Schätzung integriert sind, können Fitness more accessible für Personen machen, die zu Hause trainieren oder keinen Zugang zu Personal Trainern haben. Dieses kontinuierliche Echtzeit-Feedback hilft Benutzern, ihre Technik zu verbessern und ihre fitness goals zu erreichen und gleichzeitig das Verletzungsrisiko zu verringern.

Ausprobieren der Echtzeit-Pose-Estimation mit dem Ultralytics YOLO11-Modell#

Nun da wir untersucht haben, was Pose-Schätzung ist, und einige ihrer Anwendungen besprochen haben, werfen wir einen Blick darauf, wie du die Pose-Schätzung mit dem neuen YOLO11 Modell ausprobieren kannst. Um loszulegen, gibt es zwei praktische Wege: die Verwendung des Ultralytics Python package oder über Ultralytics HUB. Schauen wir uns beide Optionen an.

Ausführen von Inferenzen mit Ultralytics YOLO11#

Das Ausführen einer inference beinhaltet, dass das YOLO11 Modell neue Daten außerhalb seiner training-Sets verarbeitet und die gelernten Muster nutzt, um Vorhersagen basierend auf diesen Daten zu treffen. Du kannst Inferenzen über Code mit dem Ultralytics Python package ausführen. Alles, was du tun musst, um get started, ist das Ultralytics-Paket über pip, conda oder Docker zu installieren. Solltest du bei der Installation auf Schwierigkeiten 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-Snippet, das die Ausführung von Inferenzen mit Ultralytics YOLO11 demonstriert.

Trainieren eines benutzerdefinierten Ultralytics YOLO11-Modells#

Angenommen, du arbeitest an einem computer vision project und hast einen spezifischen dataset für eine bestimmte Anwendung im Bereich der Pose-Schätzung. Dann kannst du ein custom YOLO11 model fine-tune und trainieren, das zu deiner Anwendung passt. Beispielsweise kannst du einen dataset of keypoints verwenden, um die pose of a tiger in Bildern zu analysieren und zu verstehen, indem du Schlüsselmerkmale wie die Position von Gliedmaßen, Kopf und Schwanz identifizierst.

Du kannst das folgende Code-Snippet verwenden, um ein Ultralytics YOLO11-Modell zur Pose Estimation zu laden und zu trainieren. Das Modell kann aus einer YAML-Konfiguration erstellt werden, oder du kannst ein vortrainiertes Modell zum Trainieren laden. Mit diesem Skript kannst du auch Gewichte übertragen und das Training des Modells mit einem bestimmten Datensatz starten, wie zum Beispiel dem COCO-Datensatz für die Pose Estimation.

Abb. 7. Benutzerdefiniertes Training von Ultralytics YOLO11.

Mit dem neu trainierten benutzerdefinierten Modell kannst du Inferenzen an ungesehenen Bildern ausführen, die sich auf deine computer vision solution beziehen. Das trainierte Modell kann außerdem über den export mode in andere Formate konvertiert werden.

YOLO11 auf Ultralytics HUB ausprobieren#

Bisher haben wir uns Methoden angesehen, um YOLO11 zu nutzen, die gewisse Grundkenntnisse im Programmieren erfordern. Wenn das nicht das ist, wonach du suchst, oder du mit dem Programmieren nicht vertraut bist, gibt es eine weitere Option: Ultralytics HUB. Ultralytics HUB ist eine benutzerfreundliche Plattform, die den Prozess des Trainierens und Bereitstellens von YOLO-Modellen vereinfachen soll. HUB ermöglicht dir eine einfache Verwaltung von Datensätzen, das Trainieren von Modellen und deren Bereitstellung ganz ohne technische Expertise.

Um Inferenzen auf Bildern auszuführen, kannst du ein Konto erstellen, zum Bereich „Modelle“ navigieren und das gewünschte Ultralytics YOLO11-Modell zur Pose Estimation auswählen. Im Vorschau-Bereich kannst du ein Bild hochladen und dir die Ergebnisse der Vorhersage wie unten gezeigt ansehen.

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

Weiterentwicklungen von Ultralytics YOLO11 bei der Erkennung menschlicher Posen#

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 tausche dich mit unserer community aus. Entdecke KI-Anwendungen in der manufacturing und agriculture auf unseren Lösungsseiten. 🚀