Cómo usar Ultralytics YOLO11 para estimar poses

La investigación relacionada con la visión artificial, 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. Un avance destacado en visión artificial es la familia de modelos Ultralytics YOLO11 (a la que desde entonces ha sucedido Ultralytics YOLO26). Los modelos YOLO11, presentados por primera vez en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), admiten diversas tareas de visión artificial, incluida la estimación de pose.

La estimación de poses puede utilizarse para detectar puntos clave en una persona o un objeto dentro de una imagen o un vídeo, y así comprender su posición, postura o movimiento. Se utiliza ampliamente en aplicaciones como el análisis deportivo, el seguimiento 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 respecto a los modelos anteriores de la serie YOLO (Solo se ve una vez), YOLO11 es idóneo para tareas de estimación de poses en tiempo real.

Fig. 1. Ejemplo del uso de Ultralytics YOLO11 para estimar poses.

En este artículo veremos qué es la estimación de poses, hablaremos de algunas de sus aplicaciones y te explicaremos cómo puedes utilizar YOLO11 con el paquete de Python de Ultralytics para estimar poses. También veremos cómo puedes probar YOLO11 y la estimación de poses con unos pocos clics en Ultralytics HUB (ahora Ultralytics Platform). ¡Vamos allá!

¿Qué es la estimación de poses?#

Antes de ver cómo usar Ultralytics YOLO11 para la estimación de pose, vamos a entender mejor en qué consiste.

La estimación de poses es una técnica de visión artificial 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. En el caso de los objetos, estos puntos clave pueden ser esquinas, bordes o marcas distintivas de la superficie; en el caso de las personas, representan articulaciones principales, como el codo, la rodilla o el hombro.

La estimación de poses es una tarea única y más compleja que otras tareas de visión artificial, como la detección de objetos. Mientras que la detección de objetos localiza objetos en una imagen dibujando un cuadro a su alrededor, la estimación de poses va más allá y predice 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 hay dos métodos principales: de abajo arriba y de arriba abajo. El método de abajo arriba detecta puntos clave individuales y los agrupa en esqueletos, mientras que el método 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 método de abajo arriba, mantiene el proceso sencillo y rápido, sin necesidad de agrupar los puntos clave manualmente. Al mismo tiempo, aprovecha la precisión del método de arriba abajo, ya que detecta a las personas y estima sus poses en un solo paso.

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

Las versátiles capacidades de Ultralytics YOLO11 para estimar 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 en las obras se producen más lesiones laborales. En 2021, alrededor del 20 % de todas las lesiones laborales mortales se produjeron en obras o cerca de ellas. Ante riesgos diarios como la maquinaria pesada y los sistemas eléctricos, contar con medidas de seguridad estrictas es esencial para proteger a los trabajadores. Los métodos tradicionales, como colocar señales y barricadas o recurrir a la supervisión manual, no siempre son eficaces y a menudo apartan a los supervisores de tareas más importantes.

La IA puede mejorar la seguridad y reducir el riesgo de accidentes mediante un sistema de supervisión de trabajadores basado en la estimación de poses. Los modelos Ultralytics YOLO11 permiten seguir los movimientos y las posturas de los trabajadores. Así, se pueden detectar rápidamente posibles peligros, como que un trabajador se acerque demasiado a maquinaria peligrosa o realice una tarea de forma incorrecta. Si se detecta un riesgo, se puede avisar a los supervisores o alertar al trabajador con una alarma. Un sistema de supervisión continua puede aumentar la seguridad en las obras al vigilar constantemente los peligros y proteger a los trabajadores.

Fig. 3. Ejemplo de estimación de poses en una obra con Ultralytics YOLO11.

Estimación de poses con Ultralytics YOLO11 para supervisar el ganado#

Los agricultores y los investigadores pueden utilizar Ultralytics YOLO11 para estudiar el movimiento y el comportamiento de los animales de granja, como el ganado, y detectar señales tempranas de enfermedades como la cojera. La cojera es una afección que dificulta el movimiento del animal debido al dolor en las patas o los pies. En el ganado, enfermedades como la cojera no solo afectan a la salud y el bienestar de los animales, sino que también provocan problemas de producción en las explotaciones lecheras. Los estudios muestran que la cojera afecta a alrededor del 8 % del ganado en sistemas basados en pastos y del 15 % al 30 % en sistemas de estabulación en el sector lácteo mundial. Detectar y tratar la cojera cuanto antes puede 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 agricultores a seguir 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 tratarlos más rápido, reducir las molestias de los animales y ayudar a los agricultores a evitar pérdidas económicas.

Los sistemas de supervisión basados en IA de visión también pueden ayudar a analizar los hábitos de descanso, las interacciones sociales y los patrones de alimentación. Los agricultores también pueden utilizar la estimación de poses para observar indicios de estrés o agresividad. Esta información puede servir 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 monitores de gimnasio y los instructores de 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 las posturas y las técnicas de ejercicio ideales; además, 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 comprobar si todos los alumnos mantienen el equilibrio y la alineación adecuados. Las aplicaciones móviles que integran visión artificial y estimación de poses pueden facilitar el acceso al ejercicio físico a quienes 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 forma física, al tiempo que reduce el riesgo de lesiones.

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

Ahora que hemos explicado qué es la estimación de pose y comentado algunas de sus aplicaciones, veamos cómo puedes probarla con YOLO11. Para empezar, tienes dos opciones muy prácticas: usar el paquete Python de Ultralytics o hacerlo a través de Ultralytics HUB. Veamos ambas opciones.

Ejecución de inferencias con Ultralytics YOLO11#

Ejecutar una inferencia consiste en que el modelo YOLO11 procese datos nuevos que no forman parte de sus conjuntos de entrenamiento y utilice los patrones aprendidos para hacer predicciones a partir de esos datos. Puedes ejecutar inferencias mediante código con el paquete de Python de Ultralytics. Para empezar, solo tienes que instalar el paquete de Ultralytics con pip, conda o Docker. Si tienes algún problema durante la instalación, nuestra guía de problemas frecuentes ofrece consejos útiles para solucionarlo.

Una vez que hayas instalado el paquete correctamente, el siguiente código muestra cómo cargar un modelo de estimación de poses YOLO11 y utilizarlo para predecir las poses de objetos en una imagen.

Fig. 6. Fragmento de código que muestra cómo ejecutar inferencias con Ultralytics YOLO11.

Entrenamiento de un modelo Ultralytics YOLO11 personalizado#

Supongamos que estás trabajando en un proyecto de visión artificial y tienes un conjunto de datos específico para una aplicación concreta que implique la estimación de pose. En ese caso, puedes ajustar y entrenar un modelo YOLO11 personalizado para adaptarlo a tu aplicación. Por ejemplo, puedes usar un conjunto de datos de puntos clave para analizar y entender la pose 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 Ultralytics YOLO11 de estimación de poses. Puedes crear el modelo a partir de una configuración YAML o cargar un modelo preentrenado para entrenarlo. Este script también te permite transferir pesos y empezar a entrenar el modelo con un conjunto de datos específico, como el conjunto de datos COCO para la estimación de poses.

Fig. 7. Entrenamiento personalizado de Ultralytics YOLO11.

Con el nuevo modelo personalizado ya entrenado, puedes ejecutar inferencias en imágenes inéditas relacionadas con tu solución de visión artificial. También puedes convertir el modelo entrenado a otros formatos mediante el modo de exportación.

Prueba YOLO11 en Ultralytics HUB#

Hasta ahora hemos visto métodos para utilizar YOLO11 que requieren conocimientos básicos de programación. Si eso no es lo que buscas o no sabes programar, tienes otra opción: Ultralytics HUB. Ultralytics HUB es una plataforma intuitiva diseñada para simplificar el entrenamiento y la implementación de modelos YOLO. HUB te permite gestionar conjuntos de datos, entrenar modelos e implementarlos 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 con YOLO11 en Ultralytics HUB.

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 las obras 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 artificial.

Su versatilidad, que incluye distintas variantes de modelos y la posibilidad de entrenarlos para casos de uso específicos, lo convierte en una herramienta valiosa tanto para desarrolladores como para empresas. Ya sea mediante código con el paquete de Python de Ultralytics o con Ultralytics HUB para facilitar la implementación, YOLO11 hace que la estimación de poses sea accesible y tenga un impacto real.

Para descubrir más, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre aplicaciones de IA en fabricación y agricultura en nuestras páginas de soluciones.