So verwendest du Ultralytics YOLO11 für die Posenschätzung

Forschung im Bereich Computer Vision, einem Teilgebiet der künstlichen Intelligenz (AI), lässt sich bis in die 1960er-Jahre zurückverfolgen. Der große Durchbruch beim Verständnis von Bildern durch Maschinen kam jedoch erst in den 2010er-Jahren mit dem Aufkommen des Deep Learning. Eine der neuesten Entwicklungen im Bereich Computer Vision sind die hochmodernen Modelle Ultralytics YOLO11. Die YOLO11-Modelle, die erstmals auf der jährlichen Hybridveranstaltung von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt wurden, unterstützen zahlreiche Computer-Vision-Aufgaben, darunter die Posenschätzung.

Mit der Posenschätzung lassen sich Schlüsselpunkte erkennen, um die Position, Körperhaltung oder Bewegung einer Person oder eines Objekts in einem Bild oder Video zu verstehen. Sie wird häufig in Anwendungen wie Sportanalysen, der Überwachung des Tierverhaltens und der Robotik eingesetzt, damit Maschinen körperliche Aktionen in Echtzeit interpretieren können. Dank der höheren Genauigkeit, Effizienz und Geschwindigkeit gegenüber früheren Modellen der YOLO-Reihe eignet sich YOLO11 hervorragend für Posenschätzung in Echtzeit.

Abb. 1. Beispiel für die Verwendung von Ultralytics YOLO11 zur Posenschätzung.

In diesem Artikel sehen wir uns an, was Posenschätzung ist, besprechen einige ihrer Anwendungen und zeigen dir, wie du YOLO11 mit dem Ultralytics Python-Paket zur Posenschätzung einsetzen kannst. Außerdem zeigen wir dir, wie du Ultralytics HUB nutzen kannst, um YOLO11 und die Posenschätzung mit wenigen einfachen Klicks auszuprobieren. Legen wir los!

Was ist Posenschätzung?#

Bevor wir uns ansehen, wie du das neue Ultralytics YOLO11-Modell zur Posenschätzung verwendest, wollen wir zunächst besser verstehen, was Posenschätzung bedeutet.

Die Pose-Schätzung ist eine Computer-Vision-Technik zur Analyse der Pose einer Person oder eines Objekts in einem Bild oder Video. Deep-Learning-Modelle wie Ultralytics YOLO11 können Schlüsselpunkte auf einem bestimmten Objekt oder einer Person identifizieren, lokatisieren und verfolgen. Bei Objekten können diese Schlüsselpunkte Ecken, Kanten oder markante Oberflächenmerkmale umfassen, während diese Schlüsselpunkte bei Menschen wichtige Gelenke wie Ellbogen, Knie oder Schulter darstellen.

Im Vergleich zu anderen Computer-Vision-Aufgaben wie der Objekterkennung ist die Posenschätzung einzigartig und komplexer. Während die Objekterkennung Objekte in einem Bild lokalisiert, indem sie einen Rahmen um sie zeichnet, geht die Posenschätzung weiter und sagt die genauen Positionen der Schlüsselpunkte des Objekts voraus.

Abb. 2. Erkennung und Schätzung der Posen von Personen in einem Büro mit Ultralytics YOLO11.

Bei der Posenschätzung gibt es zwei grundlegende Vorgehensweisen: Bottom-up und Top-down. Beim Bottom-up-Ansatz werden einzelne Schlüsselpunkte erkannt und zu Skeletten zusammengefasst, während sich der Top-down-Ansatz zunächst auf das Erkennen von Objekten und anschließend auf die Schätzung der Schlüsselpunkte innerhalb dieser Objekte konzentriert.

Ultralytics YOLO11 vereint die Stärken beider Methoden. Wie beim Bottom-up-Ansatz bleibt die Verarbeitung einfach und schnell, ohne dass Schlüsselpunkte manuell gruppiert werden müssen. Gleichzeitig nutzt YOLO11 die Genauigkeit des Top-down-Ansatzes, indem es Personen erkennt und ihre Posen schätzt – und das in einem einzigen Schritt.

Anwendungsfälle für die Posenschätzung mit Ultralytics YOLO11#

Die vielseitigen Möglichkeiten von Ultralytics YOLO11 für die Posenschätzung eröffnen zahlreiche Anwendungsmöglichkeiten in vielen Branchen. Sehen wir uns einige Anwendungsfälle der Posenschätzung mit YOLO11 genauer an.

Posenschätzung in Echtzeit mit Ultralytics YOLO11: Verbesserung der Arbeitssicherheit#

Sicherheit ist ein wichtiger Aspekt jedes Bauprojekts. Das gilt besonders, da auf Baustellen statistisch gesehen mehr arbeitsbedingte Verletzungen auftreten. Im Jahr 2021 ereigneten sich etwa 20 % aller tödlichen Arbeitsunfälle auf oder in der Nähe von Baustellen. Angesichts täglicher Risiken durch schwere Maschinen und elektrische Anlagen sind strenge Sicherheitsmaßnahmen unerlässlich, um Beschäftigte zu schützen. Herkömmliche Methoden wie Schilder, Absperrungen und die manuelle Überwachung durch Vorgesetzte sind nicht immer wirksam und halten Vorgesetzte häufig von wichtigeren Aufgaben ab.

AI kann zur Verbesserung der Sicherheit beitragen. Durch ein Überwachungssystem für Beschäftigte auf Basis der Posenschätzung lässt sich das Unfallrisiko senken. Die Modelle von Ultralytics YOLO11 können die Bewegungen und Körperhaltungen von Beschäftigten verfolgen. Mögliche Gefahren, etwa wenn Beschäftigte zu nahe an gefährlichen Maschinen stehen oder Aufgaben falsch ausführen, lassen sich schnell erkennen. Wird ein Risiko erkannt, können Vorgesetzte benachrichtigt oder Beschäftigte durch einen Alarm gewarnt werden. Ein kontinuierliches Überwachungssystem kann Baustellen sicherer machen, indem es ständig nach Gefahren Ausschau hält und Beschäftigte schützt.

Abb. 3. Beispiel für Posenschätzung auf einer Baustelle mit Ultralytics YOLO11.

Posenschätzung mit Ultralytics YOLO11 zur Überwachung von Nutztieren#

Landwirte und Forschende können Ultralytics YOLO11 nutzen, um die Bewegung und das Verhalten von Nutztieren wie Rindern zu untersuchen und frühe Anzeichen von Krankheiten wie Lahmheit zu erkennen. Lahmheit bezeichnet einen Zustand, bei dem sich ein Tier aufgrund von Schmerzen in den Beinen oder Hufen nur schwer richtig bewegen kann. Bei Rindern beeinträchtigt Lahmheit nicht nur Gesundheit und Wohlergehen, sondern führt in Milchviehbetrieben auch zu Produktionseinbußen. Studien zeigen, dass Lahmheit weltweit in der Milchwirtschaft bei 8 % der Rinder in weidebasierten Haltungssystemen und bei 15 bis 30 % in Stallhaltungssystemen auftritt. Eine frühzeitige Erkennung und Behandlung von Lahmheit kann das Tierwohl verbessern und die mit diesem Zustand verbundenen Produktionsverluste verringern.

Die Posenschätzungsfunktionen von Ultralytics YOLO11 können Landwirten helfen, die Gangmuster der Tiere zu verfolgen und schnell Anomalien zu erkennen, die auf Gesundheitsprobleme wie Gelenkerkrankungen oder Infektionen hindeuten können. Werden diese Probleme früh erkannt, ist eine schnellere Behandlung möglich. Dadurch lassen sich die Beschwerden der Tiere verringern und Landwirte unterstützen, wirtschaftliche Verluste zu vermeiden.

Überwachungssysteme auf Basis von Vision AI können außerdem dabei helfen, Ruheverhalten, soziale Interaktionen und Fressmuster zu analysieren. Landwirte können die Posenschätzung auch nutzen, um Anzeichen von Stress oder Aggression zu erkennen. Diese Erkenntnisse können dazu beitragen, bessere Lebensbedingungen für Tiere zu schaffen und ihr Wohlbefinden zu steigern.

Abb. 4. Visualisierung der Posenschätzung einer Kuh.

Anwendungsfälle von Ultralytics YOLO11 in der Fitnessbranche#

Posenschätzung kann Menschen auch dabei helfen, ihre Körperhaltung beim Training in Echtzeit zu verbessern. Mit Ultralytics YOLO11 können Fitness- und Yogatrainer die Körperbewegungen verfolgen und überwachen, wobei sie sich auf Schlüsselpunkte wie Gelenke und Gliedmaßen konzentrieren, um die Körperhaltung zu beurteilen. Die erfassten Daten können mit idealen Posen und Trainingstechniken verglichen werden. Außerdem können Trainer benachrichtigt werden, wenn jemand eine Bewegung falsch ausführt, wodurch sich Verletzungen vermeiden lassen.

Abb. 5. Verwendung der Posenschätzung zur Analyse eines Trainings.

In einem Yogakurs kann die Posenschätzung beispielsweise dabei helfen zu überwachen, ob alle Kursteilnehmenden das richtige Gleichgewicht und eine korrekte Ausrichtung beibehalten. Mobile Anwendungen, die Computer Vision und Posenschätzung integrieren, können Fitness für Menschen, die zu Hause trainieren oder keinen Zugang zu persönlichen Trainern haben, zugänglicher machen. Dieses kontinuierliche Feedback in Echtzeit hilft Nutzern, ihre Technik zu verbessern und ihre Fitnessziele zu erreichen, während das Verletzungsrisiko sinkt.

Posenschätzung in Echtzeit mit dem Ultralytics YOLO11-Modell ausprobieren#

Nachdem wir uns angesehen haben, was Posenschätzung ist, und einige ihrer Anwendungen besprochen haben, wollen wir nun betrachten, wie du die Posenschätzung mit dem neuen YOLO11-Modell ausprobieren kannst. Dafür gibt es zwei praktische Möglichkeiten: mit dem Ultralytics Python-Paket oder über Ultralytics HUB. Sehen wir uns beide Optionen an.

Inferenz mit Ultralytics YOLO11 ausführen#

Eine Inferenz bedeutet, dass das YOLO11-Modell neue Daten außerhalb seiner Trainings datensätze verarbeitet und die erlernten Muster verwendet, um auf Grundlage dieser Daten Vorhersagen zu treffen. Mit dem Ultralytics Python-Paket kannst du Inferenzen per Code ausführen. Für den Einstieg musst du lediglich das Ultralytics-Paket mit pip, conda oder Docker installieren. Falls bei der Installation Probleme auftreten, bietet unser Leitfaden zu häufigen Problemen hilfreiche Tipps zur Fehlerbehebung.

Nach erfolgreicher Installation des Pakets zeigt der folgende Code, wie du ein Modell lädst und damit die Posen von Objekten in einem Bild vorhersagst.

Abb. 6. Codeausschnitt zur Veranschaulichung der Ausführung von Inferenzen mit Ultralytics YOLO11.

Benutzerdefiniertes Ultralytics-YOLO11-Modell trainieren#

Angenommen, du arbeitest an einem Computer-Vision-Projekt und verfügst über einen bestimmten Datensatz für eine Anwendung zur Posenschätzung. Dann kannst du ein Fine-Tuning durchführen und ein benutzerdefiniertes YOLO11-Modell für deine Anwendung trainieren. Du kannst beispielsweise einen Datensatz mit Schlüsselpunkten verwenden, um die Pose eines Tigers in Bildern zu analysieren und zu verstehen, indem du wichtige Merkmale wie die Position seiner Gliedmaßen, seines Kopfes und seines Schwanzes erkennst.

Mit dem folgenden Codeausschnitt kannst du ein Ultralytics-YOLO11-Modell zur Posenschätzung laden und trainieren. Das Modell kann aus einer YAML-Konfiguration erstellt oder ein vortrainiertes Modell zum Trainieren geladen werden. Mit diesem Skript kannst du außerdem Gewichte übertragen und das Modell mit einem angegebenen Datensatz trainieren, beispielsweise dem COCO-Datensatz für Posenschätzung.

Abb. 7. Benutzerdefiniertes Training von Ultralytics YOLO11.

Mit dem neu trainierten benutzerdefinierten Modell kannst du Inferenzen auf bisher nicht gesehenen Bildern ausführen, die zu deiner Computer-Vision-Lösung gehören. Das trainierte Modell kann außerdem mithilfe des Exportmodus in andere Formate konvertiert werden.

YOLO11 auf Ultralytics HUB ausprobieren#

Bisher haben wir Methoden zur Verwendung von YOLO11 betrachtet, die grundlegende Programmierkenntnisse erfordern. Falls das nicht deinen Vorstellungen entspricht oder du mit Programmierung nicht vertraut bist, gibt es eine weitere Option: Ultralytics HUB. Ultralytics HUB ist eine benutzerfreundliche Plattform, die das Trainieren und Bereitstellen von YOLO-Modellen vereinfacht. Mit HUB kannst du Datensätze einfach verwalten, Modelle trainieren und bereitstellen – ganz ohne technische Vorkenntnisse.

Um Inferenzen auf Bildern auszuführen, kannst du ein Konto erstellen, zum Bereich „Models“ navigieren und das gewünschte Ultralytics-YOLO11-Modell zur Posenschätzung auswählen. Im Vorschaubereich kannst du ein Bild hochladen und die Ergebnisse der Vorhersage wie unten dargestellt anzeigen.

Abb. 8. Posenschätzung auf Ultralytics HUB mit YOLO11.

Fortschritte von Ultralytics YOLO11 bei der Erkennung menschlicher Posen#

Ultralytics YOLO11 bietet präzise und flexible Lösungen für Aufgaben wie Posenschätzung in verschiedensten Anwendungsbereichen. Von der Verbesserung der Sicherheit von Beschäftigten auf Baustellen über die Überwachung der Gesundheit von Nutztieren bis hin zur Unterstützung bei der Haltungskorrektur im Fitnesstraining ermöglicht YOLO11 dank fortschrittlicher Computer-Vision-Technologie präzise Ergebnisse und Feedback in Echtzeit.

Seine Vielseitigkeit, die zahlreichen Modellvarianten und die Möglichkeit, es für bestimmte Anwendungsfälle individuell zu trainieren, machen YOLO11 zu einem äußerst wertvollen Werkzeug für Entwickler und Unternehmen. Ob per Code mit dem Ultralytics Python-Paket oder über Ultralytics HUB für eine einfachere Umsetzung – YOLO11 macht Posenschätzung zugänglich und wirkungsvoll.

Weitere Informationen findest du in unserem GitHub-Repository. Außerdem kannst du dich mit unserer Community austauschen. Entdecke auf unseren Lösungsseiten Anwendungen von AI in der Fertigung und Landwirtschaft. 🚀