Cómo usar Ultralytics YOLO11 para la estimación de pose

La investigación relacionada con la computer vision, una rama de la inteligencia artificial (IA), se remonta a la década de 1960. Sin embargo, no fue hasta la década de 2010, con el auge del deep learning, cuando presenciamos importantes avances en la forma en que las máquinas comprenden las imágenes. Uno de los últimos avances en computer vision son los vanguardistas modelos Ultralytics YOLO11. Los modelos YOLO11, presentados por primera vez en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), admiten una serie de tareas de computer vision, incluida la estimación de postura.

La estimación de postura se puede utilizar para detectar puntos clave en una persona u objeto en una imagen o vídeo para comprender su posición, postura o movimiento. Se utiliza ampliamente en aplicaciones como análisis deportivo, monitorización del comportamiento animal y robótica para ayudar a las máquinas a interpretar acciones físicas en tiempo real. Gracias a su mayor precisión, eficiencia y velocidad en comparación con los modelos anteriores de la serie YOLO (You Only Look Once), YOLO11 es ideal para tareas de estimación de postura en tiempo real.

Fig 1. Un ejemplo de uso de Ultralytics YOLO11 para estimación de poses.

En este artículo, exploraremos qué es la estimación de postura, hablaremos de algunas de sus aplicaciones y veremos cómo puedes usar YOLO11 con el paquete de Python de Ultralytics para la estimación de postura. También echaremos un vistazo a cómo puedes usar Ultralytics HUB para probar YOLO11 y la estimación de postura en unos pocos clics sencillos. ¡Comencemos!

¿Qué es la estimación de poses?#

Antes de sumergirnos en cómo usar el nuevo modelo Ultralytics YOLO11 para la estimación de postura, vamos a comprender mejor en qué consiste.

La estimación de poses es una técnica de visión artificial utilizada para analizar la postura de una persona u objeto en una imagen o vídeo. Los modelos de aprendizaje profundo como Ultralytics YOLO11 pueden identificar, localizar y rastrear puntos clave en un objeto o persona determinados. En el caso de los objetos, estos puntos clave pueden incluir esquinas, bordes o marcas superficiales distintas, mientras que en los humanos, estos puntos clave representan articulaciones principales como el codo, la rodilla o el hombro.

La estimación de postura es única y más compleja en comparación con otras tareas de computer vision como la detección de objetos. Si bien la detección de objetos localiza objetos en una imagen dibujando una caja a su alrededor, la estimación de postura va más allá al predecir las posiciones exactas de los puntos clave en el objeto.

Fig 2. Uso de Ultralytics YOLO11 para detectar y estimar las poses de personas en una oficina.

En lo que respecta a la estimación de postura, hay dos formas principales en las que funciona: de abajo hacia arriba (bottom-up) y de arriba hacia abajo (top-down). El enfoque ascendente (bottom-up) detecta puntos clave individuales y los agrupa en esqueletos, mientras que el enfoque descendente (top-down) se centra primero en detectar objetos y luego en estimar los puntos clave dentro de ellos.

Ultralytics YOLO11 combina las fortalezas de los métodos de arriba hacia abajo y de abajo hacia arriba. Al igual que el enfoque de abajo hacia arriba, mantiene las cosas simples y rápidas sin necesidad de agrupar los puntos clave manualmente. Al mismo tiempo, utiliza la precisión del método de arriba hacia abajo al detectar personas y estimar sus poses en un solo paso.

Casos de uso de la estimación de poses para Ultralytics YOLO11#

Las capacidades versátiles de Ultralytics YOLO11 para la estimación de poses abren un amplio abanico de posibles aplicaciones en muchas industrias. Echemos un vistazo más de cerca a algunos casos de uso de estimación de poses de YOLO11.

Estimación de poses en tiempo real con Ultralytics YOLO11: Mejora de la seguridad de los trabajadores#

La seguridad es un aspecto importante en cualquier proyecto de construcción. Esto es especialmente cierto ya que, estadísticamente, las obras de construcción registran un mayor número de lesiones relacionadas con el trabajo. En 2021, alrededor del 20% de todas las lesiones mortales relacionadas con el trabajo ocurrieron en obras de construcción o cerca de ellas. Con riesgos diarios como maquinaria pesada y sistemas eléctricos, unas medidas de seguridad sólidas son esenciales para proteger a los trabajadores. Los métodos tradicionales, como el uso de señales, barricadas y la supervisión manual por parte de los supervisores, no siempre son eficaces y a menudo apartan a los supervisores de tareas más críticas.

La IA puede intervenir para mejorar la seguridad, y el riesgo de accidentes se puede reducir mediante el uso de un sistema de monitorización de trabajadores basado en la estimación de postura. Los modelos Ultralytics YOLO11 se pueden utilizar para rastrear los movimientos y posturas de los trabajadores. Se pueden detectar rápidamente cualquier peligro potencial, como trabajadores demasiado cerca de equipos peligrosos o realizando tareas de forma incorrecta. Si se detecta un riesgo, se puede avisar a los supervisores o una alarma puede alertar al trabajador. Un sistema de monitorización continua puede hacer que las obras de construcción sean más seguras al estar siempre alerta ante los peligros y proteger a los trabajadores.

Fig 3. Un ejemplo de estimación de poses en una obra de construcción utilizando Ultralytics YOLO11.

Estimación de poses con Ultralytics YOLO11 para el seguimiento del ganado#

Los agricultores e investigadores pueden utilizar Ultralytics YOLO11 para estudiar el movimiento y el comportamiento de los animales de granja, como el ganado vacuno, para detectar signos tempranos de enfermedades como la cojera. La cojera es una afección en la que un animal tiene dificultades para moverse correctamente debido al dolor en sus patas o pezuñas. En el ganado, enfermedades como la cojera no solo afectan a su salud y bienestar, sino que también generan problemas de producción en las granjas lecheras. Los estudios muestran que la cojera afecta a entre el 8% del ganado en sistemas basados en pastos y entre el 15% y el 30% en sistemas confinados en toda la industria lechera mundial. Detectar y abordar la cojera de forma temprana puede ayudar a mejorar el bienestar animal y a reducir las pérdidas de producción asociadas a esta afección.

Las funciones de estimación de poses de Ultralytics YOLO11 pueden ayudar a los agricultores a realizar un seguimiento de los patrones de marcha de los animales e identificar rápidamente cualquier anomalía que pueda indicar problemas de salud, como problemas articulares o infecciones. Detectar estos problemas a tiempo permite un tratamiento más rápido, lo que reduce las molestias de los animales y ayuda a los agricultores a evitar pérdidas económicas.

Los sistemas de monitorización basados en vision AI también pueden ayudar a analizar el comportamiento de descanso, las interacciones sociales y los patrones de alimentación. Los agricultores también pueden utilizar la estimación de postura para obtener observaciones sobre signos de estrés o agresión. Estos conocimientos se pueden utilizar para cultivar mejores condiciones de vida para los animales y aumentar su bienestar.

Fig 4. Una visualización de la estimación de pose en vacas.

Casos de uso de Ultralytics YOLO11 en la industria del fitness#

La estimación de poses también puede ayudar a las personas a mejorar su postura en tiempo real mientras hacen ejercicio. Con Ultralytics YOLO11, los instructores de gimnasio y yoga pueden supervisar y rastrear los movimientos corporales de las personas que hacen ejercicio, centrándose en puntos clave como las articulaciones y las extremidades para evaluar su postura. Los datos recopilados se pueden comparar con las poses ideales y las técnicas de entrenamiento, y los instructores pueden recibir alertas si alguien realiza un movimiento de manera incorrecta, lo que ayuda a prevenir lesiones.

Fig 5. Using Pose Estimation to Analyze a Workout.

Por ejemplo, durante una clase de yoga, la estimación de postura puede ayudar a comprobar si todos los alumnos mantienen un equilibrio y una alineación adecuados. Las aplicaciones móviles integradas con computer vision y estimación de postura pueden hacer que el fitness sea más accesible para las personas que entrenan en casa o para aquellas que no tienen acceso a entrenadores personales. Esta retroalimentación continua en tiempo real ayuda a los usuarios a mejorar su técnica y alcanzar sus objetivos de fitness al tiempo que se reduce el riesgo de lesiones.

Prueba de la estimación de poses en tiempo real con el modelo Ultralytics YOLO11#

Ahora que hemos explorado qué es la estimación de postura y hemos hablado de algunas de sus aplicaciones, echemos un vistazo a cómo puedes probar la estimación de postura con el nuevo modelo YOLO11. Para empezar, hay dos formas prácticas de hacerlo: utilizando el paquete de Python de Ultralytics o a través de Ultralytics HUB. Echemos un vistazo a ambas opciones.

Ejecución de inferencias con Ultralytics YOLO11#

Ejecutar una inferencia implica que el modelo YOLO11 procese nuevos datos fuera de sus conjuntos de entrenamiento y utilice los patrones aprendidos para hacer predicciones basadas en dichos datos. Puedes ejecutar inferencias mediante código con el paquete de Python de Ultralytics. Lo único que tienes que hacer para empezar es instalar el paquete de Ultralytics usando pip, conda o Docker. Si te encuentras con algún problema durante la instalación, nuestra Guía de Problemas Comunes ofrece útiles consejos de solución de problemas.

Una vez que hayas instalado el paquete correctamente, el siguiente código describe cómo cargar un modelo y utilizarlo para predecir las poses de objetos en una imagen.

Fig 6. Un fragmento de código que muestra la ejecución de inferencias utilizando Ultralytics YOLO11.

Entrenamiento de un modelo personalizado de Ultralytics YOLO11#

Supongamos que estás trabajando en un proyecto de computer vision y tienes un conjunto de datos específico para una aplicación particular relacionada con la estimación de postura. Entonces puedes ajustar con precisión y entrenar un modelo YOLO11 personalizado que se adapte a tu aplicación. Por ejemplo, puedes utilizar un conjunto de datos de puntos clave para analizar y comprender la postura de un tigre en imágenes identificando características clave como la posición de sus extremidades, cabeza y cola.

Puedes utilizar el siguiente fragmento de código para cargar y entrenar un modelo de estimación de poses de Ultralytics YOLO11. El modelo se puede construir a partir de una configuración YAML, o puedes cargar un modelo preentrenado para el entrenamiento. Este script también te permite transferir pesos e iniciar el entrenamiento del modelo utilizando un conjunto de datos especificado, como el conjunto de datos COCO para la estimación de poses.

Fig 7. Entrenamiento personalizado de Ultralytics YOLO11.

Utilizando el nuevo modelo personalizado entrenado, puedes ejecutar inferencias en imágenes no vistas relacionadas con tu solución de computer vision. El modelo entrenado también se puede convertir a otros formatos utilizando el modo de exportación.

Prueba YOLO11 en Ultralytics HUB#

Hasta ahora, hemos analizado métodos para utilizar YOLO11 que requieren ciertos conocimientos básicos de programación. Si eso no es lo que buscas, o no estás familiarizado con la programación, hay otra opción: Ultralytics HUB. Ultralytics HUB es una plataforma intuitiva diseñada para simplificar el proceso de entrenamiento y despliegue de modelos YOLO. HUB te permite gestionar fácilmente conjuntos de datos, entrenar modelos y desplegarlos sin necesidad de experiencia técnica.

Para ejecutar inferencias en imágenes, puedes crear una cuenta, navegar a la sección 'Modelos' y elegir el modelo de estimación de poses de Ultralytics YOLO11 que te interese. En la sección de vista previa, puedes cargar una imagen y ver los resultados de la predicción como se muestra a continuación.

Fig 8. Estimación de poses en Ultralytics HUB con YOLO11.

Avances de Ultralytics YOLO11 en la detección de poses humanas#

Ultralytics YOLO11 ofrece soluciones precisas y flexibles para tareas como la estimación de poses en una amplia gama de aplicaciones. Desde mejorar la seguridad de los trabajadores en las obras de construcción hasta monitorear la salud del ganado y ayudar con la corrección de posturas en rutinas de fitness, YOLO11 aporta precisión y retroalimentación en tiempo real a través de tecnología avanzada de visión artificial.

Su versatilidad, con múltiples variantes de modelos y la capacidad de entrenamiento personalizado para casos de uso específicos, lo convierte en una herramienta muy valiosa tanto para desarrolladores como para empresas. Ya sea mediante programación con el paquete de Python de Ultralytics o utilizando Ultralytics HUB para una implementación más sencilla, YOLO11 hace que la estimación de poses sea accesible e impactante.

Para explorar más, visita nuestro repositorio de GitHub y participa con nuestra comunidad. Explora aplicaciones de IA en fabricación y agricultura en nuestras páginas de soluciones. 🚀