Cómo utilizar Ultralytics YOLO11 para la estimación de pose
Aprende a utilizar el modelo Ultralytics YOLO11 para realizar una estimación precisa de la pose. Cubriremos la inferencia en tiempo real y el entrenamiento de modelos personalizados para diversas aplicaciones.
La investigación relacionada con la visión por computador, una rama de la inteligencia artificial (AI), se remonta a la década de 1960. Sin embargo, no fue hasta la década de 2010, con el auge del aprendizaje profundo, cuando se produjeron grandes avances en la forma en que las máquinas entienden las imágenes. Uno de los avances más recientes en visión por computador son los innovadores modelos de Ultralytics YOLO11. Los modelos YOLO11, presentados por primera vez en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), admiten una amplia variedad de tareas de visión por computador, incluida la estimación de poses.
La estimación de poses se puede utilizar para detectar puntos clave en una persona o un objeto de una imagen o vídeo, con el fin de comprender su posición, postura o movimiento. Se utiliza ampliamente en aplicaciones como el análisis deportivo, la supervisión del comportamiento animal y la robótica para ayudar a las máquinas a interpretar acciones físicas en tiempo real. Gracias a su mayor precisión, eficiencia y velocidad frente a los modelos anteriores de la serie YOLO (Solo lo miras una vez), YOLO11 es ideal para las tareas de estimación de poses en tiempo real.
Fig. 1. Ejemplo del uso de Ultralytics YOLO11 para la estimación de poses.
En este artículo, veremos qué es la estimación de poses, analizaremos algunas de sus aplicaciones y explicaremos cómo puedes usar YOLO11 con el paquete Python de Ultralytics para la estimación de poses. También veremos cómo puedes usar Ultralytics HUB para probar YOLO11 y la estimación de poses con unos pocos clics. ¡Empecemos!
¿Qué es la estimación de poses?#
Antes de profundizar en cómo usar el nuevo modelo Ultralytics YOLO11 para la estimación de poses, entendamos mejor en qué consiste.
La estimación de la pose es una técnica de visión por ordenador que se utiliza para analizar la pose de una persona o un objeto en una imagen o un vídeo. Los modelos de aprendizaje profundo, como Ultralytics YOLO11, pueden identificar, localizar y seguir puntos clave de un objeto o una persona determinados. En el caso de los objetos, estos puntos clave pueden incluir esquinas, bordes o marcas distintivas de la superficie, mientras que, en el caso de las personas, estos puntos clave representan articulaciones principales, como el codo, la rodilla o el hombro.
La estimación de poses es una tarea singular y más compleja que otras tareas de visión por computador, como la detección de objetos. Mientras que la detección de objetos localiza objetos en una imagen dibujando un recuadro a su alrededor, la estimación de poses va más allá al predecir las posiciones exactas de los puntos clave del objeto.
Fig. 2. Uso de Ultralytics YOLO11 para detectar y estimar las poses de personas en una oficina.
En la estimación de poses, existen dos formas principales de trabajar: de abajo arriba y de arriba abajo. El enfoque de abajo arriba detecta puntos clave individuales y los agrupa en esqueletos, mientras que el enfoque de arriba abajo se centra primero en detectar objetos y después en estimar los puntos clave que contienen.
Ultralytics YOLO11 combina las ventajas de los métodos de arriba abajo y de abajo arriba. Al igual que el enfoque de abajo arriba, mantiene el proceso sencillo y rápido sin necesidad de agrupar manualmente los puntos clave. Al mismo tiempo, utiliza la precisión del método de arriba abajo al detectar personas y estimar sus poses en un solo paso.
Casos de uso de la estimación de poses con Ultralytics YOLO11#
Las versátiles capacidades de Ultralytics YOLO11 para la estimación de poses abren un amplio abanico de posibles aplicaciones en numerosos sectores. Veamos más de cerca algunos casos de uso de la estimación de poses con YOLO11.
Estimación de poses en tiempo real con Ultralytics YOLO11: mejora de la seguridad de los trabajadores#
La seguridad es un aspecto importante de cualquier proyecto de construcción. Esto es especialmente cierto porque, estadísticamente, las obras de construcción registran un mayor número de lesiones laborales. En 2021, alrededor del 20 % de todas las lesiones laborales mortales se produjeron en obras de construcción o cerca de ellas. Con riesgos diarios como la maquinaria pesada y los sistemas eléctricos, unas medidas de seguridad sólidas son esenciales para mantener a salvo a los trabajadores. Los métodos tradicionales, como el uso de señales y barreras y la supervisión manual por parte de los responsables, no siempre son eficaces y a menudo alejan a estos responsables de tareas más importantes.
La AI puede contribuir a mejorar la seguridad, y el riesgo de accidentes puede reducirse mediante un sistema de supervisión de trabajadores basado en la estimación de poses. Los modelos Ultralytics YOLO11 se pueden utilizar para seguir los movimientos y las posturas de los trabajadores. Cualquier peligro potencial, como que un trabajador se sitúe demasiado cerca de maquinaria peligrosa o realice tareas de forma incorrecta, puede detectarse rápidamente. Si se detecta un riesgo, se puede avisar a los responsables o una alarma puede alertar al trabajador. Un sistema de supervisión continua puede hacer que las obras de construcción sean más seguras al buscar peligros constantemente y proteger a los trabajadores.
Fig. 3. Ejemplo de estimación de poses en una obra de construcción mediante Ultralytics YOLO11.
Estimación de poses con Ultralytics YOLO11 para la supervisión del ganado#
Los ganaderos y investigadores pueden utilizar Ultralytics YOLO11 para estudiar el movimiento y el comportamiento de los animales de granja, como el ganado vacuno, y detectar signos tempranos de enfermedades como la cojera. La cojera es una afección por la que un animal tiene dificultades para moverse correctamente debido al dolor en las patas o las pezuñas. En el ganado vacuno, afecciones como la cojera no solo afectan a su salud y bienestar, sino que también provocan problemas de producción en las explotaciones lecheras. Los estudios muestran que la cojera afecta al 8 % del ganado en sistemas basados en pastos y entre el 15 % y el 30 % en sistemas estabulados de la industria láctea mundial. Detectar y tratar la cojera de forma temprana puede ayudar a mejorar el bienestar animal y reducir las pérdidas de producción asociadas a esta afección.
Las funciones de estimación de poses de Ultralytics YOLO11 pueden ayudar a los ganaderos a seguir los patrones de marcha de los animales e identificar rápidamente cualquier anomalía que pueda indicar problemas de salud, como afecciones articulares o infecciones. Detectar estos problemas a tiempo permite aplicar un tratamiento más rápido, reducir el malestar de los animales y ayudar a los ganaderos a evitar pérdidas económicas.
Los sistemas de supervisión basados en AI de visión también pueden ayudar a analizar el comportamiento de descanso, las interacciones sociales y los patrones de alimentación. Los ganaderos también pueden utilizar la estimación de poses para obtener observaciones sobre signos de estrés o agresividad. Estos datos pueden emplearse para mejorar las condiciones de vida de los animales y aumentar su bienestar.
Fig. 4. Visualización de la estimación de poses de una vaca.
Casos de uso de Ultralytics YOLO11 en el sector 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 seguir los movimientos corporales de las personas que entrenan, centrándose en puntos clave como las articulaciones y las extremidades para evaluar su postura. Los datos recopilados se pueden comparar con posturas y técnicas de ejercicio ideales, y los instructores pueden recibir alertas si alguien realiza un movimiento incorrectamente, lo que ayuda a prevenir lesiones.
Fig. 5. Uso de la estimación de poses para analizar un entrenamiento.
Por ejemplo, durante una clase de yoga, la estimación de poses puede ayudar a supervisar si todos los alumnos mantienen un equilibrio y una alineación adecuados. Las aplicaciones móviles integradas con visión por computador y estimación de poses pueden hacer que el fitness sea más accesible para las personas que entrenan en casa o no tienen acceso a entrenadores personales. Esta información continua en tiempo real ayuda a los usuarios a mejorar su técnica y alcanzar sus objetivos de fitness, al tiempo que reduce el riesgo de lesiones.
Prueba de la estimación de poses en tiempo real con el modelo Ultralytics YOLO11#
Ahora que hemos visto qué es la estimación de poses y hemos analizado algunas de sus aplicaciones, veamos cómo puedes probarla con el nuevo modelo YOLO11. Para empezar, hay dos formas prácticas de hacerlo: mediante el paquete Python de Ultralytics o a través de Ultralytics HUB. Veamos ambas opciones.
Ejecución de inferencias con Ultralytics YOLO11#
Ejecutar una inferencia implica que el modelo YOLO11 procese datos nuevos ajenos a sus conjuntos de entrenamiento y utilice los patrones aprendidos para realizar predicciones basadas en esos datos. Puedes ejecutar inferencias mediante código con el paquete Python de Ultralytics. Para empezar, solo tienes que instalar el paquete Ultralytics mediante pip, conda o Docker. Si encuentras dificultades durante la instalación, nuestra guía de problemas habituales ofrece consejos útiles para resolverlas.
Una vez instalado correctamente el paquete, el código siguiente muestra cómo cargar un modelo y utilizarlo para predecir las poses de objetos en una imagen.
Fig. 6. Fragmento de código que muestra la ejecución de inferencias mediante Ultralytics YOLO11.
Entrenamiento de un modelo Ultralytics YOLO11 personalizado#
Supongamos que estás trabajando en un proyecto de visión por computador y tienes un conjunto de datos específico para una aplicación concreta relacionada con la estimación de poses. En ese caso, puedes ajustar y entrenar un modelo YOLO11 personalizado para adaptarlo a tu aplicación. Por ejemplo, puedes utilizar un conjunto de datos de puntos clave para analizar y comprender la pose de un tigre en imágenes mediante la identificación de 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 Ultralytics YOLO11. El modelo se puede crear a partir de una configuración YAML o puedes cargar un modelo preentrenado para entrenarlo. Este script también permite transferir pesos y comenzar a entrenar el 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.
Con el modelo personalizado recién entrenado, puedes ejecutar inferencias en imágenes no vistas relacionadas con tu solución de visión por computador. El modelo entrenado también se puede convertir a otros formatos mediante el modo de exportación.
Prueba YOLO11 en Ultralytics HUB#
Hasta ahora, hemos visto métodos para utilizar YOLO11 que requieren ciertos conocimientos básicos de programación. Si no es lo que buscas o no tienes experiencia programando, existe otra opción: Ultralytics HUB. Ultralytics HUB es una plataforma fácil de usar diseñada para simplificar el proceso de entrenamiento y despliegue de modelos YOLO. HUB permite gestionar conjuntos de datos, entrenar modelos y desplegarlos fácilmente sin necesidad de conocimientos técnicos.
Para ejecutar inferencias en imágenes, puedes crear una cuenta, ir a la sección «Models» y elegir el modelo de estimación de poses Ultralytics YOLO11 que te interese. En la sección de vista previa, puedes subir 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 variedad de aplicaciones. Desde mejorar la seguridad de los trabajadores en obras de construcción hasta supervisar la salud del ganado y ayudar a corregir la postura durante las rutinas de fitness, YOLO11 proporciona precisión e información en tiempo real mediante tecnología avanzada de visión por computador.
Su versatilidad, con múltiples variantes de modelos y la posibilidad de realizar un entrenamiento personalizado para casos de uso específicos, lo convierte en una herramienta muy valiosa tanto para desarrolladores como para empresas. Ya sea mediante código con el paquete Python de Ultralytics o utilizando Ultralytics HUB para facilitar la implementación, YOLO11 hace que la estimación de poses sea accesible y eficaz.
Para obtener más información, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre aplicaciones de AI en la fabricación y la agricultura en nuestras páginas de soluciones. 🚀
