14. Oktober 2024
Lernen Sie, wie Sie das Ultralytics YOLO11 für eine genaue Posenschätzung verwenden können. Wir behandeln Echtzeit-Inferencing und benutzerdefiniertes Modelltraining für verschiedene Anwendungen.
Die Forschung im Bereich Computer Vision, einem Teilgebiet der künstlichen Intelligenz (KI), lässt sich bis in die 1960er Jahre zurückverfolgen. Doch erst in den 2010er Jahren, mit dem Aufkommen des Deep Learning, kam es zu großen Durchbrüchen bei der Art und Weise, wie Maschinen Bilder verstehen. Einer der jüngsten Fortschritte im Bereich der Computer Vision sind die hochmodernen Ultralytics YOLO11 Modelle. Die YOLO11 , die erstmals auf der jährlichen Hybrid-Veranstaltung Ultralytics, der YOLO Vision 2024 (YV24), vorgestellt wurden, unterstützen eine Reihe von Computer-Vision-Aufgaben, einschließlich der Posenschätzung.
Die Posenschätzung kann dazu verwendet werden, Schlüsselpunkte einer Person oder eines Objekts in einem Bild oder Video detect , um deren Position, Haltung oder Bewegung zu verstehen. Sie wird häufig in Anwendungen wie der Sportanalyse, der Überwachung des Verhaltens von Tieren und der Robotik eingesetzt, um Maschinen bei der Interpretation physischer Aktionen in Echtzeit zu unterstützen. Dank seiner verbesserten Genauigkeit, Effizienz und Geschwindigkeit im Vergleich zu früheren Modellen der YOLO (You Only Look Once), YOLO11 gut für Echtzeit-Positionsschätzungsaufgaben geeignet.
In diesem Artikel erfahren Sie, was Pose Estimation ist, diskutieren einige Anwendungen und erfahren, wie Sie YOLO11 mit dem Ultralytics Python für die Posenschätzung verwenden können. Wir werden auch einen Blick darauf werfen, wie Sie Ultralytics HUB verwenden können, um YOLO11 und die Pose Estimation mit ein paar einfachen Klicks auszuprobieren. Los geht's!
Bevor wir uns mit der Verwendung des neuen Ultralytics YOLO11 für die Posenschätzung befassen, sollten wir uns ein besseres Verständnis der Posenschätzung verschaffen.
Bei der Posenschätzung handelt es sich um eine Computer-Vision-Technik, mit der die Pose einer Person oder eines Objekts in einem Bild oder Video analysiert werden kann. Deep-Learning-Modelle wie YOLO11 könnenSchlüsselpunkte auf einem bestimmten Objekt oder einer Person identifizieren, lokalisieren und track . Bei Objekten können diese Schlüsselpunkte Ecken, Kanten oder deutliche Oberflächenmarkierungen sein, während diese Schlüsselpunkte bei Menschen wichtige Gelenke wie Ellbogen, Knie oder Schulter darstellen.
Die Pose-Schätzung ist einzigartig und komplexer im Vergleich zu anderen Computer-Vision-Aufgaben wie der Objekterkennung. Während die Objekterkennung Objekte in einem Bild lokalisiert, indem sie ein Feld um sie herum zeichnet, geht die Pose-Schätzung noch weiter, indem sie die genauen Positionen von Schlüsselpunkten auf dem Objekt vorhersagt.
Wenn es um die Pose-Schätzung geht, gibt es zwei Hauptansätze: Bottom-up und Top-down. Der Bottom-up-Ansatz erkennt einzelne Keypoints und gruppiert sie zu Skeletten, während sich der Top-down-Ansatz darauf konzentriert, zuerst Objekte zu erkennen und dann Keypoints innerhalb dieser Objekte zu schätzen.
YOLO11 kombiniert die Stärken der Top-down- und der Bottom-up-Methode. Wie der Bottom-up-Ansatz ist es einfach und schnell, ohne dass Schlüsselpunkte manuell gruppiert werden müssen. Gleichzeitig nutzt es die Genauigkeit der Top-Down-Methode, indem es Personen erkennt und ihre Posen in einem einzigen Schritt schätzt.
Die vielseitigen Möglichkeiten von YOLO11 zur Posenschätzung eröffnen ein breites Spektrum an Anwendungsmöglichkeiten in vielen Branchen. Werfen wir einen genaueren Blick auf einige Anwendungsfälle von YOLO11 für die Posenschätzung.
Sicherheit ist ein wichtiger Aspekt jedes Bauprojekts. Dies gilt insbesondere, da Baustellen statistisch gesehen eine höhere Anzahl von Arbeitsunfällen aufweisen. Im Jahr 2021 ereigneten sich etwa 20 % aller tödlichen Arbeitsunfälle auf oder in der Nähe von Baustellen. Angesichts täglicher Risiken wie schwere Geräte und elektrische Systeme sind starke Sicherheitsmaßnahmen unerlässlich, um die Sicherheit der Arbeiter zu gewährleisten. Traditionelle Methoden wie die Verwendung von Schildern, Barrikaden und die manuelle Überwachung durch Vorgesetzte sind nicht immer effektiv und entziehen den Vorgesetzten oft wichtigere Aufgaben.
KI kann zur Verbesserung der Sicherheit beitragen, und das Unfallrisiko kann durch den Einsatz eines auf Posenschätzung basierenden Überwachungssystems für Arbeiter verringert werden. DieYOLO11 Ultralytics können verwendet werden, um die Bewegungen und Haltungen der Arbeiter track . Potenzielle Gefahren, wie z. B. Arbeiter, die zu nahe an gefährlichen Geräten stehen oder Aufgaben falsch ausführen, können schnell erkannt werden. Wenn ein Risiko erkannt wird, kann das Aufsichtspersonal benachrichtigt werden, oder ein Alarm kann den Arbeiter alarmieren. Ein kontinuierliches Überwachungssystem kann Baustellen sicherer machen, da es stets nach Gefahren Ausschau hält und die Arbeiter schützt.
Landwirte und Forscher können mit YOLO11 die Bewegungen und das Verhalten von Nutztieren wie Rindern untersuchen, um frühe Anzeichen von Krankheiten wie Lahmheit detect . 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 ihre Gesundheit und ihr Wohlbefinden, sondern führen auch zu Produktionsproblemen in Milchviehbetrieben. Studien zeigen, dass in der Milchwirtschaft weltweit zwischen 8 % der Rinder in Weidehaltung und 15 bis 30 % in Stallhaltung von Lahmheiten betroffen sind. Die frühzeitige Erkennung und Behandlung von Lahmheiten kann dazu beitragen, das Wohlergehen der Tiere zu verbessern und die mit dieser Erkrankung verbundenen Produktionsverluste zu verringern.
Die Funktionen von YOLO11zur Schätzung der Körperhaltung können den Landwirten helfen, das Gangbild der Tiere track und Anomalien, die auf Gesundheitsprobleme wie Gelenkprobleme oder Infektionen hinweisen könnten, schnell zu erkennen. Das frühzeitige Erkennen dieser Probleme ermöglicht eine schnellere Behandlung, wodurch sich die Beschwerden der Tiere verringern und die Landwirte wirtschaftliche Verluste vermeiden können.
Vision AI-gestützte Überwachungssysteme können auch helfen, das Ruheverhalten, soziale Interaktionen und Fressmuster zu analysieren. Landwirte können auch die Pose-Schätzung verwenden, um Beobachtungen zu Anzeichen von Stress oder Aggression zu erhalten. Diese Erkenntnisse können genutzt werden, um bessere Lebensbedingungen für Tiere zu schaffen und ihr Wohlbefinden zu steigern.
Die Posenschätzung kann Menschen auch dabei helfen, ihre Körperhaltung in Echtzeit zu verbessern, während sie trainieren. Mit YOLO11 können Fitnessstudio- und Yogalehrer die Körperbewegungen von Trainierenden überwachen und track und sich dabei auf Schlüsselpunkte wie Gelenke und Gliedmaßen konzentrieren, um deren Haltung zu beurteilen. Die gesammelten Daten können mit idealen Posen und Trainingstechniken verglichen werden, und die Trainer können Warnungen erhalten, wenn jemand eine Bewegung falsch ausführt, um Verletzungen zu vermeiden.
Beispielsweise kann die Posenschätzung während eines Yoga-Kurses helfen zu überwachen, ob alle Schüler das richtige Gleichgewicht und die richtige Ausrichtung halten. Mobile Anwendungen, die in Computer Vision und Posenschätzung integriert sind, können Fitness zugänglicher machen für Menschen, die zu Hause trainieren oder keinen Zugang zu Personal Trainern haben. Dieses kontinuierliche Echtzeit-Feedback hilft den Benutzern, ihre Technik zu verbessern und ihre Fitnessziele zu erreichen und gleichzeitig das Verletzungsrisiko zu verringern.
Jetzt haben wir herausgefunden, was die Posenschätzung ist und einige ihrer Anwendungen besprochen. Schauen wir uns nun an, wie Sie die Posenschätzung mit dem neuen YOLO11 ausprobieren können. Für den Einstieg gibt es zwei bequeme Möglichkeiten: mit dem Ultralytics Python oder über Ultralytics HUB. Werfen wir einen Blick auf beide Optionen.
Bei der Ausführung einer Schlussfolgerung verarbeitet das YOLO11 neue Daten außerhalb seiner Trainingssätze und verwendet die erlernten Muster, um auf der Grundlage dieser Daten Vorhersagen zu treffen. Mit demPython können Sie Inferenzen durch Code ausführen. Alles, was Sie tun müssen, ist, das Ultralytics mit pip, conda oder Docker zu installieren. Sollten Sie während der Installation auf Probleme stoßen, finden Sie in unserem Leitfaden für häufige Probleme hilfreiche Tipps zur Fehlerbehebung.
Sobald Sie das Paket erfolgreich installiert haben, beschreibt der folgende Code, wie Sie ein Modell laden und damit Posen von Objekten in einem Bild vorhersagen können.
Nehmen wir an, Sie arbeiten an einem Computer-Vision-Projekt und haben einen spezifischen Datensatz für eine bestimmte Anwendung, die eine Posenschätzung beinhaltet. Dann können Sie ein benutzerdefiniertes YOLO11 feinabstimmen und trainieren, das für Ihre Anwendung geeignet ist. Zum Beispiel können Sie einen Datensatz von Keypoints verwenden, um die Pose eines Tigers in Bildern zu analysieren und zu verstehen, indem Sie Schlüsselmerkmale wie die Position seiner Gliedmaßen, seines Kopfes und seines Schwanzes identifizieren.
Sie können das folgende Code-Snippet verwenden, um ein YOLO11 zu laden und zu trainieren. Das Modell kann aus einer YAML-Konfiguration erstellt werden, oder Sie können ein bereits trainiertes Modell zum Training laden. Mit diesem Skript können Sie auch Gewichte übertragen und mit dem Training des Modells unter Verwendung eines bestimmten Datensatzes beginnen, z. B. des COCO für die Pose-Schätzung.
Mit dem neu trainierten, benutzerdefinierten Modell können Sie Inferenz auf ungesehenen Bildern im Zusammenhang mit Ihrer Computer Vision Lösung durchführen. Das trainierte Modell kann auch mit dem Exportmodus in andere Formate konvertiert werden.
Bisher haben wir uns Methoden zur Nutzung von YOLO11 angesehen, die einige grundlegende Programmierkenntnisse erfordern. Wenn das nicht das ist, wonach Sie suchen, oder wenn Sie mit der Programmierung nicht vertraut sind, gibt es eine weitere Möglichkeit: Ultralytics HUB. Ultralytics HUB ist eine benutzerfreundliche Plattform, die den Prozess der Ausbildung und des Einsatzes von YOLO vereinfachen soll. Mit HUB können Sie problemlos Datensätze verwalten, Modelle trainieren und bereitstellen, ohne dass Sie über technisches Fachwissen verfügen müssen.
Um Rückschlüsse auf Bilder zu ziehen, können Sie ein Konto erstellen, zum Abschnitt "Modelle" navigieren und das YOLO11 für die Posenschätzung auswählen, das Sie interessiert. Im Bereich "Vorschau" können Sie ein Bild hochladen und die Ergebnisse der Vorhersage wie unten gezeigt anzeigen.
Ultralytics YOLO11 bietet genaue und flexible Lösungen für Aufgaben wie die Posenschätzung in einem breiten Spektrum von Anwendungen. Von der Verbesserung der Sicherheit von Arbeitern auf Baustellen über die Überwachung der Gesundheit von Tieren bis hin zur Unterstützung bei der Haltungskorrektur im Fitnessbereich - YOLO11 bietet Präzision und Echtzeit-Feedback durch fortschrittliche Computer-Vision-Technologie.
Seine Vielseitigkeit mit mehreren Modellvarianten und der Möglichkeit, für bestimmte Anwendungsfälle individuell zu trainieren, macht es zu einem sehr wertvollen Werkzeug für Entwickler und Unternehmen gleichermaßen. Ob durch Kodierung mit dem Ultralytics Python oder durch Verwendung des Ultralytics HUB für eine einfachere Implementierung, YOLO11 macht Posenschätzung zugänglich und wirkungsvoll.
Um mehr zu erfahren, besuchen Sie unser GitHub-Repository und treten Sie mit unserer Community in Kontakt. Entdecken Sie KI-Anwendungen in der Fertigung und Landwirtschaft auf unseren Lösungsseiten. 🚀
