So verwendest du Ultralytics YOLO11 zur Posenschätzung

Die Forschung im Bereich Computer Vision, einem Teilgebiet der künstlichen Intelligenz (AI), lässt sich bis in die 1960er-Jahre zurückverfolgen. Doch erst in den 2010er-Jahren, mit dem Aufkommen des Deep Learning, gab es große Durchbrüche darin, wie Maschinen Bilder verstehen. Eine bemerkenswerte Weiterentwicklung im Bereich Computer Vision ist die Modellfamilie Ultralytics YOLO11 (inzwischen abgelöst durch Ultralytics YOLO26). Die YOLO11-Modelle, die erstmals bei Ultralytics’ jährlichem hybriden Event YOLO Vision 2024 (YV24) vorgestellt wurden, unterstützen eine Reihe von Computer-Vision-Aufgaben, darunter die Posenschätzung.

Mit der Posenschätzung lassen sich Schlüsselpunkte an Personen oder Objekten in Bildern oder Videos erkennen, um deren Position, Haltung oder Bewegung zu bestimmen. Sie wird häufig in Bereichen wie der Sportanalyse, der Beobachtung des Tierverhaltens und der Robotik eingesetzt, damit Maschinen körperliche Bewegungen in Echtzeit interpretieren können. Dank seiner höheren Genauigkeit, Effizienz und Geschwindigkeit im Vergleich zu früheren Modellen der YOLO-Reihe (You Only Look Once) eignet sich YOLO11 gut für Posenschätzung in Echtzeit.

Abb. 1. Beispiel für den Einsatz von Ultralytics YOLO11 zur Posenschätzung.

In diesem Artikel erklären wir, was Posenschätzung ist, besprechen einige ihrer Anwendungen und zeigen dir, wie du YOLO11 mit dem Ultralytics-Python-Paket für die Posenschätzung einsetzen kannst. Außerdem zeigen wir, wie du YOLO11 und Posenschätzung mit Ultralytics HUB (jetzt Ultralytics Platform) mit wenigen Klicks ausprobieren kannst. Los geht’s!

Was ist Posenschätzung?#

Bevor wir uns ansehen, wie du Ultralytics YOLO11 für die Posenschätzung einsetzen kannst, wollen wir zunächst besser verstehen, was Posenschätzung ist.

Posenschätzung ist eine Computer-Vision-Technik zur Analyse der Haltung einer Person oder eines Objekts in einem Bild oder Video. Deep-Learning-Modelle wie Ultralytics YOLO11 können Schlüsselpunkte an einem bestimmten Objekt oder einer Person erkennen, lokalisieren und verfolgen. Bei Objekten können diese Schlüsselpunkte Ecken, Kanten oder markante Oberflächenmerkmale sein. Beim Menschen stehen sie für wichtige Gelenke wie Ellbogen, Knie oder Schultern.

Im Vergleich zu anderen Computer-Vision-Aufgaben wie der Objekterkennung ist die Posenschätzung eine besondere und komplexere Aufgabe. Bei der Objekterkennung werden Objekte in einem Bild durch einen Rahmen markiert. Die Posenschätzung geht weiter und sagt die genauen Positionen der Schlüsselpunkte am Objekt voraus.

Abb. 2. Mit Ultralytics YOLO11 die Posen von Personen in einem Büro erkennen und schätzen.

Bei der Posenschätzung gibt es zwei grundlegende Ansätze: Bottom-up und Top-down. Der Bottom-up-Ansatz erkennt einzelne Schlüsselpunkte und ordnet sie zu Skeletten zusammen. Der Top-down-Ansatz konzentriert sich zunächst auf die Erkennung von Objekten und schätzt anschließend die Schlüsselpunkte innerhalb dieser Objekte.

Ultralytics YOLO11 verbindet die Stärken von Top-down- und Bottom-up-Methoden. Wie beim Bottom-up-Ansatz bleibt das Verfahren 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 schätzt – und das in einem einzigen Schritt.

Anwendungsfälle für die Posenschätzung mit Ultralytics YOLO11#

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

Echtzeit-Posenschätzung mit Ultralytics YOLO11: mehr Sicherheit für Beschäftigte#

Sicherheit ist ein wichtiger Aspekt jedes Bauprojekts. Das gilt besonders, weil es auf Baustellen überdurchschnittlich viele Arbeitsunfälle gibt. 2021 ereigneten sich etwa 20 % aller tödlichen Arbeitsunfälle auf oder in der Nähe von Baustellen. Angesichts täglicher Gefahren wie schwerer Maschinen und elektrischer Anlagen sind wirksame Sicherheitsmaßnahmen unverzichtbar, um Beschäftigte zu schützen. Herkömmliche Methoden wie Schilder, Absperrungen und manuelle Kontrollen durch Aufsichtspersonal sind nicht immer wirksam und halten dieses Personal oft von wichtigeren Aufgaben ab.

KI kann die Sicherheit verbessern. Mithilfe eines auf Posenschätzung basierenden Systems zur Überwachung von Beschäftigten lässt sich das Unfallrisiko senken. Ultralytics-YOLO11-Modelle können die Bewegungen und Körperhaltungen von Beschäftigten verfolgen. Mögliche Gefahren – etwa wenn Beschäftigte zu nah an gefährlichen Maschinen stehen oder Aufgaben falsch ausführen – lassen sich schnell erkennen. Wird ein Risiko festgestellt, können die Vorgesetzten benachrichtigt oder die Beschäftigten durch einen Alarm gewarnt werden. Ein kontinuierliches Überwachungssystem kann Baustellen sicherer machen, indem es Gefahren stets im Blick behält 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 mit Ultralytics YOLO11 die Bewegungen und das Verhalten von Nutztieren wie Rindern untersuchen, um frühe Anzeichen von Krankheiten wie Lahmheit zu erkennen. Bei Lahmheit fällt es einem Tier aufgrund von Schmerzen in den Beinen oder Füßen schwer, sich normal zu bewegen. Krankheiten wie Lahmheit beeinträchtigen bei Rindern nicht nur Gesundheit und Wohlbefinden, sondern verursachen in Milchviehbetrieben auch Produktionsprobleme. Studien zeigen, dass Lahmheit weltweit etwa 8 % der Rinder in Weidesystemen und 15 bis 30 % der Rinder in Haltungssystemen betrifft. Wird Lahmheit früh erkannt und behandelt, kann das das Tierwohl verbessern und die damit verbundenen Produktionsverluste verringern.

Die Posenschätzungsfunktionen von Ultralytics YOLO11 können Landwirten helfen, den Gang von Tieren zu verfolgen und schnell Auffälligkeiten zu erkennen, die auf gesundheitliche Probleme wie Gelenkbeschwerden oder Infektionen hindeuten. Werden solche Probleme früh erkannt, kann die Behandlung schneller beginnen. Das lindert das Leiden der Tiere und hilft Landwirten, wirtschaftliche Verluste zu vermeiden.

Überwachungssysteme mit Vision AI können auch das Ruheverhalten, soziale Interaktionen und Fressmuster analysieren. Mit Posenschätzung können Landwirte außerdem Anzeichen von Stress oder Aggression beobachten. Diese Erkenntnisse lassen sich nutzen, um bessere Lebensbedingungen für Tiere zu schaffen und ihr Wohlbefinden zu steigern.

Abb. 4: Visualisierung der Posenschätzung bei einer Kuh.

Anwendungsfälle für Ultralytics YOLO11 im Fitnessbereich#

Posenschätzung kann Menschen auch dabei helfen, beim Training in Echtzeit ihre Körperhaltung zu verbessern. Mit Ultralytics YOLO11 können Fitness- und Yogalehrkräfte die Bewegungen von Trainierenden verfolgen und dabei wichtige Punkte wie Gelenke und Gliedmaßen berücksichtigen, um ihre Haltung zu beurteilen. Die erfassten Daten lassen sich mit idealen Posen und Trainingstechniken vergleichen. Lehrkräfte können eine Warnung erhalten, wenn jemand eine Bewegung falsch ausführt, und so dazu beitragen, Verletzungen zu verhindern.

Abb. 5: Posenschätzung zur Analyse eines Trainings.

Im Yogaunterricht kann die Posenschätzung zum Beispiel überwachen, ob alle Teilnehmenden das Gleichgewicht halten und die richtige Körperausrichtung einnehmen. Mobile Anwendungen mit Computer Vision und Posenschätzung können Fitnessangebote für Menschen zugänglicher machen, die zu Hause trainieren oder keinen Zugang zu persönlichen Trainerinnen und Trainern haben. Dieses kontinuierliche Feedback in Echtzeit hilft Nutzern, ihre Technik zu verbessern und ihre Fitnessziele zu erreichen – bei geringerem Verletzungsrisiko.

Echtzeit-Posenschätzung mit dem Ultralytics-YOLO11-Modell ausprobieren#

Nachdem wir betrachtet haben, was Posenschätzung ist, und einige ihrer Anwendungen besprochen haben, sehen wir uns an, wie du die Posenschätzung mit YOLO11 ausprobieren kannst. Für den Einstieg gibt es zwei praktische Möglichkeiten: mit dem Ultralytics Python-Paket oder über Ultralytics HUB. Sehen wir uns beide Möglichkeiten an.

Inferenz mit Ultralytics YOLO11 ausführen#

Bei einer Inferenz verarbeitet das YOLO11-Modell neue Daten außerhalb seiner Trainingsdatensätze und nutzt gelernte Muster, um Vorhersagen zu diesen Daten zu treffen. Mit dem Ultralytics-Python-Paket kannst du Inferenzläufe per Code ausführen. Zum Einstieg musst du das Ultralytics-Paket nur mit pip, conda oder Docker installieren. Falls bei der Installation Probleme auftreten, findest du in unserem Leitfaden zu häufigen Problemen hilfreiche Tipps zur Fehlerbehebung.

Nach erfolgreicher Installation des Pakets zeigt der folgende Code, wie du ein YOLO11-Posenmodell lädst und damit Posen von Objekten in einem Bild vorhersagst.

Abb. 6: Codebeispiel für Inferenzläufe mit Ultralytics YOLO11.

Ein eigenes Ultralytics YOLO11-Modell trainieren#

Angenommen, du arbeitest an einem Computer-Vision-Projekt und hast einen bestimmten Datensatz für eine konkrete Anwendung im Bereich Posenschätzung. Dann kannst du ein YOLO11-Modell feinabstimmen und trainieren, damit es zu deiner Anwendung passt. So kannst du beispielsweise einen Datensatz mit Keypoints verwenden, um die Pose eines Tigers auf Bildern zu analysieren und zu verstehen, indem du wichtige Merkmale wie die Position seiner Gliedmaßen, seines Kopfes und seines Schwanzes identifizierst.

Mit dem folgenden Codebeispiel kannst du ein Ultralytics-YOLO11-Modell zur Posenschätzung laden und trainieren. Das Modell kann anhand einer YAML-Konfiguration erstellt oder zum Training als vortrainiertes Modell geladen werden. Mit diesem Skript kannst du außerdem Gewichte übertragen und das Training mit einem angegebenen Datensatz starten, etwa mit dem COCO-Datensatz für die Posenschätzung.

Abb. 7. Benutzerdefiniertes Training mit Ultralytics YOLO11.

Mit dem neu trainierten Modell kannst du Inferenzläufe auf bisher unbekannten Bildern aus deiner Computer-Vision-Anwendung ausführen. Außerdem lässt sich das trainierte Modell mithilfe des Exportmodus in andere Formate umwandeln.

YOLO11 auf Ultralytics HUB ausprobieren#

Bisher haben wir Methoden zur Nutzung von YOLO11 betrachtet, für die grundlegende Programmierkenntnisse erforderlich sind. Falls das nicht deinen Anforderungen entspricht oder du nicht programmieren kannst, gibt es eine weitere Möglichkeit: Ultralytics HUB. Ultralytics HUB ist eine benutzerfreundliche Plattform, die das Training und die Bereitstellung von YOLO-Modellen vereinfacht. Mit HUB kannst du Datensätze mühelos verwalten, Modelle trainieren und bereitstellen – ganz ohne Fachkenntnisse.

Um Inferenzläufe auf Bildern auszuführen, kannst du ein Konto erstellen, zum Bereich „Models“ wechseln und das gewünschte Modell von Ultralytics YOLO11 zur Posenschätzung auswählen. Im Vorschaubereich kannst du ein Bild hochladen und die Vorhersageergebnisse wie unten gezeigt ansehen.

Abb. 8: Posenschätzung mit YOLO11 auf Ultralytics HUB.

Fortschritte von Ultralytics YOLO11 bei der Erkennung menschlicher Posen#

Ultralytics YOLO11 bietet präzise und flexible Lösungen für Aufgaben wie Posenschätzung in vielen Anwendungsbereichen. YOLO11 nutzt fortschrittliche Computer-Vision-Technologie, um die Sicherheit von Beschäftigten auf Baustellen zu verbessern, die Gesundheit von Nutztieren zu überwachen und bei der Haltungskorrektur während des Fitnesstrainings zu helfen – mit präzisen Ergebnissen und Feedback in Echtzeit.

Durch seine Vielseitigkeit, verschiedene Modellvarianten und die Möglichkeit, Modelle für bestimmte Anwendungsfälle individuell zu trainieren, ist YOLO11 ein wertvolles Werkzeug für Entwickler und Unternehmen. Ob du mit dem Ultralytics-Python-Paket programmierst oder Ultralytics HUB für eine einfachere Umsetzung verwendest – YOLO11 macht Posenschätzung zugänglich und wirkungsvoll.

Weitere Informationen findest du in unserem GitHub-Repository und im Austausch mit unserer Community. Entdecke auf unseren Lösungsseiten KI-Anwendungen in der Fertigung und der Landwirtschaft.