Der umfassende Leitfaden zu Werkzeugen für die Posenschätzung

Als Menschen erfassen wir Bewegungen instinktiv. Wenn jemand sich nach vorn beugt, den Kopf dreht oder einen Arm hebt, kannst du sofort erkennen, was die Person tut. Es ist eine stille, beinahe unterbewusste Fähigkeit, die prägt, wie wir mit Menschen interagieren und die Welt erkunden.

Da Technologie zu einem immer größeren Teil des täglichen Lebens wird, ist es ganz natürlich, dass unsere Geräte Bewegungen so mühelos verstehen, wie wir es tun. Die jüngsten Fortschritte in der künstlichen Intelligenz, insbesondere beim Deep Learning, machen das möglich. Vor allem Computer Vision hilft Maschinen, aus Bildern und Videos Bedeutung zu extrahieren, und treibt diese Entwicklung voran.

Die Posenschätzung ist beispielsweise eine verbreitete Aufgabe der Computer Vision, bei der die Positionen vordefinierter Körperschlüsselpunkte (z. B. Schultern, Ellbogen, Hüften und Knie) in einem Bild oder Videoframe vorhergesagt werden. Diese Schlüsselpunkte können mithilfe einer festen Skelettdefinition verbunden werden, um eine vereinfachte Posendarstellung zu bilden.

Computer-Vision-Modelle wie Ultralytics YOLO11 und das kommende Ultralytics YOLO26 unterstützen Aufgaben wie die Posenschätzung und können Echtzeitanwendungen ermöglichen, darunter Feedback zur Bewegungsausführung in Fitness und Sport, Sicherheitsüberwachung und interaktive Erlebnisse mit erweiterter Realität.

Abb. 1. Einblick in die Verwendung von Ultralytics YOLO11 für die Posenschätzung (Quelle)

In diesem Artikel sehen wir uns Werkzeuge für die Posenschätzung genauer an und erfahren, wie Posenschätzung funktioniert, wo sie eingesetzt wird und welche wichtigen Modelle und Bibliotheken heute verfügbar sind. Legen wir los!

Was ist Posenschätzung?#

Posenschätzung ist eine Computer-Vision-Technik, die einem System hilft zu verstehen, wie eine Person oder ein Objekt in einem Bild oder Video positioniert ist. Statt jedes Pixel gleich zu analysieren, sagt sie eine Reihe konsistenter Orientierungspunkte voraus, etwa Kopf, Schultern, Ellbogen, Hüften, Knie und Knöchel.

Die meisten Modelle geben die Koordinaten dieser Schlüsselpunkte sowie einen Wert aus, der angibt, wie wahrscheinlich die jeweilige Vorhersage korrekt ist. Diese Schlüsselpunkte können anschließend mithilfe einer vordefinierten Skelettstruktur verbunden werden, um eine einfache Posendarstellung zu bilden.

Bei der Anwendung auf Videos, Bild für Bild, können die resultierenden Schlüsselpunkte über die Zeit hinweg einander zugeordnet werden, um Bewegungen zu schätzen. Dadurch werden Anwendungen wie die Kontrolle der Bewegungsausführung, Bewegungsanalysen und gestenbasierte Interaktionen möglich.

Abb. 2. Ein Beispiel für Posenschätzung (Quelle)

Der Bedarf an Werkzeugen für die Posenschätzung#

Menschliche Bewegungen enthalten viele Informationen. Die Art, wie sich jemand beugt, nach etwas greift oder sein Gewicht verlagert, kann Absicht, Anstrengung, Ermüdung oder sogar ein Verletzungsrisiko erkennen lassen. Bis vor Kurzem waren für die Erfassung eines solchen Detailgrads in der Regel spezielle Sensoren, Bewegungserfassungsanzüge oder kontrollierte Laborumgebungen erforderlich.

Die Posenschätzung verändert das. Wenn wichtige Orientierungspunkte des Körpers aus gewöhnlichen Bildern und Videos extrahiert werden, können Computer Bewegungen mit Standardkameras analysieren. Dadurch wird Bewegungsanalyse zugänglicher, skalierbarer und in realen Umgebungen praktikabler.

Hier sind einige Möglichkeiten, wie Posenschätzung Wirkung entfalten kann:

• Sicherere Arbeitsplätze: Vision-basierte Systeme können riskante Körperhaltungen, wiederholte Belastungen oder unsichere Hebetechniken erkennen, bevor es zu Verletzungen kommt.
• Besseres Fitness- und Sporttraining: Vision-AI-Lösungen können Bewegungsausführung, Gleichgewicht und Technik in Echtzeit bewerten und Nutzern ohne tragbare Geräte sofortiges Feedback geben.
• Gesundheitswesen und Rehabilitation: Medizinisches Fachpersonal kann den Genesungsfortschritt, die Körperhaltung und den Bewegungsumfang mithilfe einfacher Videoaufnahmen aus der Ferne verfolgen.
• Interaktive Erlebnisse: Posenschätzung erleichtert es digitalen Avataren und immersiven Umgebungen, menschliche Bewegungen präzise zu verfolgen und wiederzugeben.

Die Entwicklung von Algorithmen zur Posenschätzung#

Die Idee, Posen zu schätzen, gibt es seit vielen Jahren. Frühe Ansätze verwendeten einfache geometrische Modelle und von Hand entwickelte Regeln und funktionierten meist nur unter kontrollierten Bedingungen.

Ein System konnte beispielsweise gute Ergebnisse liefern, wenn eine Person still in einer festen Position stand, aber versagen, sobald sie in realen Szenen zu gehen, sich zu drehen oder mit Objekten zu interagieren begann. Diese Methoden hatten oft Schwierigkeiten mit natürlichen Bewegungen, wechselnden Kamerawinkeln, unübersichtlichen Hintergründen und teilweiser Verdeckung.

Moderne Posenschätzung stützt sich auf Deep Learning, um diese Herausforderungen zu bewältigen. Durch das Training neuronaler Faltungsnetze mit großen annotierten Datensätzen lernen Modelle visuelle Muster, die ihnen helfen, Schlüsselpunkte bei unterschiedlichen Posen, Personen und Umgebungen zuverlässiger zu erkennen.

Mit mehr Beispielen verbessert das Modell seine Vorhersagen und kann besser auf neue Szenen verallgemeinern. Dank dieser Fortschritte unterstützt die Posenschätzung heute zahlreiche praktische Anwendungsfälle, darunter die Überwachung und ergonomische Bewertung von Arbeitsplätzen sowie Sportanalysen, bei denen Trainer und Analysten die Bewegungen von Athleten untersuchen.

Arten von Verfahren zur Posenschätzung#

Posenschätzung gibt es je nach Umgebung und gewünschter Messgröße in verschiedenen Formen. Hier sind die wichtigsten Arten, denen du begegnen wirst:

• 2D-Posenschätzung: Dieser Ansatz erkennt Körperschlüsselpunkte in einem zweidimensionalen Bild oder Videoframe. Er funktioniert gut mit Standardkameras und ist recheneffizient, wodurch er sich für Aufgaben wie die grundlegende Bewegungsverfolgung, Haltungsanalyse und Echtzeit-Feedback zur Bewegungsausführung eignet.
• 3D-Posenschätzung: Durch die Schätzung der Tiefe zusätzlich zu den Bildkoordinaten vermittelt die 3D-Posenschätzung ein räumliches Verständnis der Körperbewegung. Das ist besonders nützlich, wenn Vorwärts- und Rückwärtsbewegungen eine Rolle spielen, etwa bei Sportanalysen, Rehabilitation, Biomechanik und Animation. Insbesondere erfasst die 3D-Posenschätzung des Menschen Gelenkpositionen und Bewegungen im 3D-Raum und verringert dadurch die Mehrdeutigkeit, die bei 2D-Projektionen auftreten kann.
• Posenschätzung für eine einzelne Person: Diese Systeme sind darauf ausgelegt, jeweils eine Person zu verfolgen. Sie liefern meist die besten Ergebnisse in kontrollierten oder teilweise kontrollierten Umgebungen, in denen das Motiv klar sichtbar ist, etwa bei angeleiteten Trainingsanwendungen, Videoanrufen oder Aufbauten zur Bewegungsanalyse.
• Posenschätzung für mehrere Personen: Dieser Ansatz ist für Szenen mit mehreren Personen ausgelegt und erkennt und verfolgt die Posen mehrerer Personen gleichzeitig. Er ist besonders nützlich in belebten Umgebungen wie Arbeitsplätzen, Fitnessstudios, öffentlichen Bereichen und Gruppenaktivitäten, in denen sich Personen überschneiden oder gegenseitig verdecken können.

Abb. 3. Menschliche Bewegungen im 3D-Raum im Vergleich zum 2D-Bildraum verstehen (Quelle)

So funktionieren Modelle zur Schätzung menschlicher Posen#

Posenschätzung kann auf viele Arten von Objekten angewendet werden. Der Einfachheit halber konzentrieren wir uns jedoch auf die Schätzung menschlicher Posen.

Die meisten Systeme zur Schätzung menschlicher Posen werden mit annotierten Datensätzen trainiert, in denen wichtige Körperteile in großen Sammlungen von Bildern und Videoframes gekennzeichnet sind. Anhand dieser Beispiele lernt das Modell visuelle Muster, die mit Orientierungspunkten des menschlichen Körpers wie Schultern, Ellbogen, Hüften, Knien und Knöcheln verbunden sind, sodass es Schlüsselpunkte in neuen Szenen präzise vorhersagen kann.

Ein weiterer wichtiger Aspekt ist die Inferenzarchitektur des Modells, die bestimmt, wie es Schlüsselpunkte erkennt und zu vollständigen Posen zusammensetzt. Einige Systeme erkennen zunächst jede Person und schätzen anschließend die Schlüsselpunkte innerhalb des jeweiligen Bereichs, während andere Schlüsselpunkte im gesamten Bild erkennen und sie anschließend einzelnen Personen zuordnen. Neuere einstufige Ansätze können Posen in einem Durchlauf vorhersagen und dabei Geschwindigkeit und Genauigkeit für den Einsatz in Echtzeit ausbalancieren.

Als Nächstes sehen wir uns verschiedene Ansätze zur Posenschätzung im Detail an.

Bottom-up-Posenschätzung#

Bei einem Bottom-up-Ansatz betrachtet das Modell das gesamte Bild und findet zuerst Körperschlüsselpunkte wie Kopf, Schultern, Ellbogen, Hüften, Knie und Knöchel. In dieser Phase versucht es noch nicht, Personen voneinander zu trennen. Es erkennt einfach alle durch das Posenskelett definierten Schlüsselpunkte oder Gelenke im gesamten Bild.

Danach führt das System einen zweiten Schritt aus, um die Punkte miteinander zu verbinden. Es verknüpft zusammengehörige Schlüsselpunkte und gruppiert sie zu vollständigen Skeletten, jeweils einem pro Person. Da nicht zuerst jede Person erkannt werden muss, funktionieren Bottom-up-Verfahren oft gut in überfüllten Szenen, in denen sich Personen überschneiden, unterschiedlich groß erscheinen oder teilweise verdeckt sind.

Top-down-Posenerkennung#

Im Gegensatz dazu beginnen Top-down-Systeme damit, jede Person im Bild zuerst zu erkennen. Sie legen eine Bounding Box um jede Person und behandeln jede Box als eigenen Analysebereich.

Sobald eine Person isoliert ist, sagt das Modell die Körperschlüsselpunkte innerhalb dieses Bereichs voraus. Dieser schrittweise Aufbau liefert oft sehr genaue Ergebnisse, insbesondere wenn sich nur wenige Personen in der Szene befinden und jede Person klar sichtbar ist.

Einstufige oder hybride Posenschätzung#

Einstufige, manchmal auch als hybrid bezeichnete Modelle sagen Posen in einem Durchlauf voraus. Statt zuerst eine Personenerkennung und anschließend eine Schätzung der Schlüsselpunkte auszuführen, geben sie den Standort der Person und die Körperschlüsselpunkte gleichzeitig aus.

Da alles in einem einzigen Modul geschieht, sind diese Modelle oft schneller und effizienter. Dadurch eignen sie sich gut für Echtzeitanwendungen wie die Live-Bewegungsverfolgung und Bewegungserfassung. Modelle wie Ultralytics YOLO11 basieren auf dieser Idee und zielen darauf ab, Geschwindigkeit und zuverlässige Vorhersagen von Schlüsselpunkten auszubalancieren.

Training und Bewertung von Modellen zur Posenschätzung#

Unabhängig vom verwendeten Ansatz muss ein Modell zur Posenschätzung sorgfältig trainiert und getestet werden, bevor es in der Praxis zuverlässig eingesetzt werden kann. Es lernt typischerweise aus großen Mengen von Bildern (und manchmal Videos), in denen Körperschlüsselpunkte gekennzeichnet sind. Dadurch kann es mit unterschiedlichen Posen, Kamerawinkeln und Umgebungen umgehen.

Zu den bekannten Datensätzen für die Posenschätzung gehören COCO Keypoints, MPII Human Pose, CrowdPose und OCHuman. Wenn diese Datensätze die Bedingungen beim späteren Einsatz des Modells nicht abbilden, sammeln und annotieren Entwickler häufig zusätzliche Bilder aus der Zielumgebung, etwa aus einer Fabrikhalle, einem Fitnessstudio oder einer Klinik.

Abb. 4. Verschiedene Posen, die mithilfe von Computer Vision geschätzt werden (Quelle)

Nach dem Training wird die Leistung des Modells anhand standardisierter Benchmarks bewertet, um Genauigkeit und Robustheit zu messen und weitere Anpassungen für den praktischen Einsatz zu steuern. Die Ergebnisse werden häufig mit der mittleren durchschnittlichen Genauigkeit angegeben, die allgemein als mAP bezeichnet wird. Sie fasst die Leistung über verschiedene Konfidenzschwellen hinweg zusammen, indem sie vorhergesagte Posen mit der annotierten Referenz vergleicht.

Bei vielen Benchmarks für Posenschätzung wird eine vorhergesagte Pose mithilfe der Ähnlichkeit von Körperschlüsselpunkten (OKS) einer Referenzpose zugeordnet. OKS misst, wie nah die vorhergesagten Schlüsselpunkte an den annotierten Schlüsselpunkten liegen, und berücksichtigt dabei Faktoren wie die Größe der Person und die typische Schwierigkeit bei der Lokalisierung des jeweiligen Schlüsselpunktes.

Posenmodelle geben außerdem Konfidenzwerte für erkannte Personen und einzelne Schlüsselpunkte aus. Diese Werte spiegeln das Vertrauen des Modells wider und werden verwendet, um Vorhersagen zu sortieren und zu filtern. Das ist besonders wichtig unter schwierigen Bedingungen wie Verdeckungen, Bewegungsunschärfe oder ungewöhnlichen Kamerawinkeln.

Beliebte Werkzeuge und Bibliotheken für die Posenschätzung#

Heute sind viele Werkzeuge für die Posenschätzung verfügbar, die jeweils Geschwindigkeit, Genauigkeit und Benutzerfreundlichkeit ausbalancieren. Hier sind einige der am häufigsten verwendeten Werkzeuge und Bibliotheken:

• Ultralytics YOLO11: YOLO11 wurde als hochmodernes Open-Source-Modell für Vision AI entwickelt und baut auf früheren Modellen wie Ultralytics YOLOv8 auf. Es verbessert Geschwindigkeit, Genauigkeit und Gesamteffizienz und unterstützt gleichzeitig verschiedene Computer-Vision-Aufgaben, darunter Posenschätzung. Dank seiner starken Leistung auf unterschiedlichen Plattformen, von Laptops bis zu Edge-Geräten, ist YOLO11 eine gute Option für viele praktische Einsätze.
• Ultralytics YOLO26: Dieses kommende Modell der nächsten Generation wurde entwickelt, um leichter, kleiner und schneller zu sein und gleichzeitig eine hohe Genauigkeit beizubehalten. Es ist für den Einsatz in Echtzeit und eine einfachere Bereitstellung ausgelegt und unterstützt Aufgaben wie Objekterkennung, Instanzsegmentierung und Posenschätzung mit Modellgrößen für alle Einsatzbereiche, von Edge-Geräten bis hin zu größeren Systemen.
• MediaPipe: MediaPipe ist ein plattformübergreifendes Framework zum Aufbau von Pipelines für Computer Vision und maschinelles Lernen. Es ist leichtgewichtig, läuft effizient auf Mobilgeräten, Tablets und in Webanwendungen und umfasst sofort einsatzbereite Lösungen und Modelle für die Ganzkörperposenschätzung, Gesichtsorientierungspunkte und Handverfolgung.
• OpenPose: Dieses durchgängige Open-Source-System zur Posenschätzung ist für die Erkennung von Schlüsselpunkten bei mehreren Personen weithin bekannt. Es kann Körper-, Hand- und Gesichtsschlüsselpunkte gemeinsam schätzen und wird häufig in Forschung, Animation und Bewegungsanalyse eingesetzt.
• MMPose: MMPose ist ein auf PyTorch basierendes Werkzeug für Posenschätzung aus dem OpenMMLab-Ökosystem. Es bietet zahlreiche Modellimplementierungen, Dienstprogramme für das Training und Konfigurationsoptionen und eignet sich daher für Experimente und weitreichende Anpassungen.
• HRNet und AlphaPose: Dies sind ältere Modelle zur Posenschätzung, die heute noch in der Forschung eingesetzt werden. HRNet ist eine Architektur für Posenmodelle, die hochauflösende Bildmerkmale im gesamten Netzwerk beibehält, wodurch Schlüsselpunkte präzise lokalisiert werden können. AlphaPose ist ein weit verbreitetes System zur Posenschätzung mehrerer Personen und wird häufig eingesetzt, wenn in überfüllten oder komplexen Szenen eine hohe Genauigkeit erforderlich ist.

Praktische Anwendungen der Posenanalyse und Posenschätzung#

Posenschätzung wird zunehmend eingesetzt, um gewöhnliche Videos in nützliche Erkenntnisse über Bewegungen umzuwandeln. Durch die Verfolgung von Körperschlüsselpunkten Bild für Bild können diese Systeme Körperhaltung, Bewegung und körperliches Verhalten aus Kamerabildern ableiten. Dadurch wird die Technologie in vielen realen Umgebungen praktisch einsetzbar.

Im Gesundheitswesen und in der Rehabilitation kann die Verfolgung von Posen Ärzten beispielsweise helfen zu sehen und zu messen, wie sich ein Patient während Therapie und Genesung bewegt. Durch die Extraktion von Körperorientierungspunkten aus gewöhnlichen Videoaufnahmen kann sie genutzt werden, um Körperhaltung, Bewegungsumfang und allgemeine Bewegungsmuster über die Zeit zu bewerten. Diese Messungen können herkömmliche klinische Untersuchungen unterstützen und optimieren und in manchen Fällen die Fortschrittsverfolgung erleichtern, ohne dass tragbare Sensoren oder spezielle Ausrüstung erforderlich sind.

Auch im Sport und bei Übertragungen kann die Posenschätzung analysieren, wie sich Athleten direkt in Videobildern bewegen. Ein interessantes Beispiel ist Hawk-Eye, ein kamerabasiertes Verfolgungssystem, das im Profisport für Schiedsrichterentscheidungen und Grafiken in Übertragungen eingesetzt wird. Es ermöglicht außerdem die Skelettverfolgung, indem es die Körperschlüsselpunkte eines Athleten aus Kamerabildern schätzt.

Das richtige Werkzeug für die Posenschätzung auswählen#

Die Auswahl des richtigen Werkzeugs für die Posenschätzung beginnt mit dem Verständnis der Anforderungen deines Computer-Vision-Projekts. Bei einigen Anwendungen steht die Geschwindigkeit in Echtzeit im Vordergrund, während andere eine höhere Genauigkeit und mehr Details erfordern.

Auch das Zielgerät für die Bereitstellung spielt eine Rolle. Mobile Anwendungen und Edge-Geräte benötigen typischerweise leichte, effiziente Modelle, während größere Modelle oft besser für Server- oder Cloud-Umgebungen geeignet sind.

Darüber hinaus kann die Benutzerfreundlichkeit eine Rolle spielen. Eine gute Dokumentation, eine reibungslose Bereitstellung und die Unterstützung für benutzerdefiniertes Training können dein Projekt vereinfachen.

Kurz gesagt: Verschiedene Werkzeuge zeichnen sich in unterschiedlichen Bereichen aus. Beispielsweise bieten Ultralytics YOLO-Modelle für viele praktische Anwendungen der Posenschätzung ein ausgewogenes Verhältnis aus Geschwindigkeit, Genauigkeit und einfacher Bereitstellung.

Abb. 5. Posenschätzung von Tieren mit Ultralytics YOLO11 (Quelle)

Wichtige Erkenntnisse#

Posenschätzung hilft Computern, menschliche Bewegungen zu verstehen, indem sie Körperschlüsselpunkte in Bildern und Videos erkennt. Modelle wie YOLO11 und YOLO26 erleichtern den Aufbau von Echtzeitanwendungen für Bereiche wie Sport, Gesundheitswesen, Arbeitssicherheit und interaktive Erlebnisse. Da Modelle immer schneller und genauer werden, dürfte Posenschätzung zu einer gängigen Funktion vieler Vision-AI-Systeme werden.

Möchtest du mehr über KI erfahren? Sieh dir unsere Community und unser GitHub-Repository an. Entdecke unsere Lösungsseiten und erfahre mehr über KI in der Robotik und Computer Vision in der Fertigung. Informiere dich über unsere Lizenzierung und beginne noch heute mit dem Aufbau von Computer-Vision-Lösungen!