Comment utiliser Ultralytics YOLO11 pour l'estimation de pose

La recherche liée à la vision par ordinateur, une branche de l'intelligence artificielle (IA), remonte aux années 1960. Cependant, ce n'est qu'à partir des années 2010, avec l'essor du deep learning, que nous avons constaté des avancées majeures dans la façon dont les machines comprennent les images. L'une des dernières avancées en vision par ordinateur concerne les modèles de pointe Ultralytics YOLO11. Les modèles YOLO11, présentés pour la première fois lors de l'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), prennent en charge une gamme de tâches de vision par ordinateur, dont l'estimation de pose.

L'estimation de pose peut être utilisée pour détecter des points clés sur une personne ou un objet dans une image ou une vidéo afin de comprendre leur position, leur posture ou leur mouvement. Elle est largement utilisée dans des applications telles que l'analyse sportive, le suivi du comportement animal et la robotique pour aider les machines à interpréter les actions physiques en temps réel. Grâce à sa précision, son efficacité et sa vitesse améliorées par rapport aux modèles antérieurs de la série YOLO (You Only Look Once), YOLO11 est parfaitement adapté aux tâches d'estimation de pose en temps réel.

Fig 1. Un exemple d'utilisation d'Ultralytics YOLO11 pour l'estimation de pose.

Dans cet article, nous allons explorer ce qu'est l'estimation de pose, discuter de certaines de ses applications et découvrir comment tu peux utiliser YOLO11 avec le package Python Ultralytics pour l'estimation de pose. Nous examinerons également comment tu peux utiliser Ultralytics HUB pour essayer YOLO11 et l'estimation de pose en quelques clics simples. Commençons !

Link to this sectionQu'est-ce que l'estimation de pose ?#

Avant de plonger dans l'utilisation du nouveau modèle Ultralytics YOLO11 pour l'estimation de pose, apprenons-en davantage sur le sujet.

L'estimation de pose est une technique de vision par ordinateur utilisée pour analyser la pose d'une personne ou d'un objet dans une image ou une vidéo. Les modèles de deep learning comme YOLO11 peuvent identifier, localiser et suivre des points clés sur un objet ou une personne donnés. Pour les objets, ces points clés peuvent inclure des coins, des bords ou des marquages de surface distincts, tandis que pour les humains, ces points clés représentent des articulations majeures comme le coude, le genou ou l'épaule.

L'estimation de pose est unique et plus complexe que d'autres tâches de vision par ordinateur comme la détection d'objets. Alors que la détection d'objets localise les objets dans une image en dessinant une boîte autour d'eux, l'estimation de pose va plus loin en prédisant les positions exactes des points clés sur l'objet.

Fig 2. Utilisation de YOLO11 pour détecter et estimer les poses de personnes dans un bureau.

En matière d'estimation de pose, il existe deux approches principales : bottom-up (ascendante) et top-down (descendante). L'approche bottom-up détecte les points clés individuels et les regroupe en squelettes, tandis que l'approche top-down se concentre d'abord sur la détection d'objets, puis sur l'estimation des points clés en leur sein.

YOLO11 combine les forces des méthodes top-down et bottom-up. Comme l'approche bottom-up, il garde les choses simples et rapides sans avoir besoin de regrouper manuellement les points clés. En même temps, il utilise la précision de la méthode top-down en détectant les personnes et en estimant leurs poses en une seule étape.

Link to this sectionCas d'utilisation de l'estimation de pose pour YOLO11#

Les capacités polyvalentes de YOLO11 pour l'estimation de pose ouvrent un large éventail d'applications possibles dans de nombreux secteurs. Examinons de plus près certains cas d'utilisation de l'estimation de pose avec YOLO11.

Link to this sectionEstimation de pose en temps réel avec YOLO11 : Améliorer la sécurité des travailleurs#

La sécurité est un aspect important de tout projet de construction. C'est particulièrement vrai, car statistiquement, les chantiers de construction enregistrent un nombre plus élevé d'accidents du travail. En 2021, environ 20 % de tous les accidents mortels liés au travail sont survenus sur ou à proximité de chantiers de construction. Avec des risques quotidiens tels que les équipements lourds et les systèmes électriques, des mesures de sécurité solides sont essentielles pour protéger les travailleurs. Les méthodes traditionnelles comme l'utilisation de panneaux, de barricades et la surveillance manuelle par des superviseurs ne sont pas toujours efficaces et détournent souvent les superviseurs de tâches plus critiques.

L'IA peut intervenir pour améliorer la sécurité, et le risque d'accident peut être réduit en utilisant un système de surveillance des travailleurs basé sur l'estimation de pose. Les modèles Ultralytics YOLO11 peuvent être utilisés pour suivre les mouvements et les postures des travailleurs. Tout danger potentiel, comme le fait qu'un travailleur se tienne trop près d'un équipement dangereux ou effectue des tâches de manière incorrecte, peut être rapidement repéré. Si un risque est détecté, les superviseurs peuvent être avertis ou une alarme peut alerter le travailleur. Un système de surveillance continue peut rendre les chantiers de construction plus sûrs en étant toujours à l'affût des dangers et en protégeant les travailleurs.

Fig 3. Un exemple d'estimation de pose sur un chantier de construction avec YOLO11.

Link to this sectionEstimation de pose avec YOLO11 pour le suivi du bétail#

Les agriculteurs et les chercheurs peuvent utiliser YOLO11 pour étudier les mouvements et le comportement des animaux d'élevage, comme le bétail, afin de détecter les premiers signes de maladies telles que la boiterie. La boiterie est une affection où un animal a du mal à se déplacer correctement à cause d'une douleur dans ses pattes ou ses pieds. Chez les bovins, des maladies comme la boiterie affectent non seulement leur santé et leur bien-être, mais entraînent également des problèmes de production dans les fermes laitières. Des études montrent que la boiterie touche entre 8 % des bovins dans les systèmes de pâturage et 15 % à 30 % dans les systèmes confinés à travers l'industrie laitière mondiale. Détecter et traiter la boiterie tôt peut aider à améliorer le bien-être animal et à réduire les pertes de production associées à cette condition.

Les fonctionnalités d'estimation de pose de YOLO11 peuvent aider les agriculteurs à suivre les schémas de démarche de l'animal et à identifier rapidement toute anomalie pouvant signaler des problèmes de santé, tels que des problèmes articulaires ou des infections. Détecter ces problèmes tôt permet un traitement plus rapide, réduisant l'inconfort des animaux et aidant les agriculteurs à éviter des pertes économiques.

Les systèmes de surveillance activés par IA visuelle peuvent également aider à analyser le comportement au repos, les interactions sociales et les habitudes alimentaires. Les agriculteurs peuvent également utiliser l'estimation de pose pour obtenir des observations sur les signes de stress ou d'agression. Ces informations peuvent être utilisées pour cultiver de meilleures conditions de vie pour les animaux et augmenter leur bien-être.

Fig 4. Une visualisation de l'estimation de pose d'une vache.

Link to this sectionCas d'utilisation de YOLO11 dans l'industrie du fitness#

L'estimation de pose peut également aider les gens à améliorer leur posture en temps réel pendant leurs entraînements. Avec YOLO11, les instructeurs de gym et de yoga peuvent surveiller et suivre les mouvements du corps des personnes qui s'entraînent, en se concentrant sur des points clés tels que les articulations et les membres pour évaluer leur posture. Les données collectées peuvent être comparées à des poses et des techniques d'entraînement idéales, et les instructeurs peuvent recevoir des alertes si quelqu'un effectue un mouvement de manière incorrecte, aidant ainsi à prévenir les blessures.

Fig 5. Utilisation de l'estimation de pose pour analyser un entraînement.

Par exemple, pendant un cours de yoga, l'estimation de pose peut aider à surveiller si tous les élèves maintiennent un bon équilibre et un bon alignement. Les applications mobiles intégrées à la vision par ordinateur et à l'estimation de pose peuvent rendre le fitness plus accessible aux personnes s'entraînant à la maison ou à celles sans accès à des entraîneurs personnels. Ce retour en temps réel continu aide les utilisateurs à améliorer leur technique et à atteindre leurs objectifs de fitness tout en réduisant le risque de blessure.

Link to this sectionEssayer l'estimation de pose en temps réel avec le modèle YOLO11#

Maintenant que nous avons exploré ce qu'est l'estimation de pose et discuté de certaines de ses applications, jetons un œil à la façon dont tu peux essayer l'estimation de pose avec le nouveau modèle YOLO11. Pour commencer, il existe deux moyens pratiques de le faire : utiliser le package Python Ultralytics ou via Ultralytics HUB. Examinons les deux options.

Link to this sectionExécuter des inférences avec YOLO11#

Exécuter une inférence implique que le modèle YOLO11 traite de nouvelles données en dehors de ses ensembles d'entraînement et utilise les modèles qu'il a appris pour faire des prédictions basées sur ces données. Tu peux exécuter des inférences via le code avec le package Python Ultralytics. Tout ce que tu as à faire pour commencer est d'installer le package Ultralytics en utilisant pip, conda ou Docker. Si tu rencontres des difficultés lors de l'installation, notre Guide des problèmes courants propose des conseils de dépannage utiles.

Une fois que tu as installé le package avec succès, le code suivant décrit comment charger un modèle et l'utiliser pour prédire les poses d'objets dans une image.

Fig 6. Un extrait de code montrant comment exécuter des inférences avec YOLO11.

Link to this sectionEntraîner un modèle YOLO11 personnalisé#

Disons que tu travailles sur un projet de vision par ordinateur et que tu disposes d'un jeu de données spécifique pour une application particulière impliquant l'estimation de pose. Tu peux alors affiner et entraîner un modèle YOLO11 personnalisé pour répondre à tes besoins. Par exemple, tu peux utiliser un jeu de données de points clés pour analyser et comprendre la pose d'un tigre dans des images en identifiant des caractéristiques clés telles que la position de ses membres, de sa tête et de sa queue.

Tu peux utiliser l'extrait de code suivant pour charger et entraîner un modèle d'estimation de pose YOLO11. Le modèle peut être construit à partir d'une configuration YAML, ou tu peux charger un modèle pré-entraîné pour l'entraînement. Ce script te permet également de transférer des poids et de commencer l'entraînement du modèle en utilisant un jeu de données spécifié, tel que le jeu de données COCO pour l'estimation de pose.

Fig 7. Entraînement personnalisé de YOLO11.

En utilisant le nouveau modèle personnalisé entraîné, tu peux exécuter des inférences sur des images inédites liées à ta solution de vision par ordinateur. Le modèle entraîné peut également être converti en d'autres formats en utilisant le mode export.

Link to this sectionEssayer YOLO11 sur Ultralytics HUB#

Jusqu'à présent, nous avons examiné des méthodes pour utiliser YOLO11 nécessitant quelques connaissances de base en codage. Si ce n'est pas ce que tu recherches, ou si tu n'es pas familier avec le codage, il existe une autre option : Ultralytics HUB. Ultralytics HUB est une plateforme conviviale conçue pour simplifier le processus d'entraînement et de déploiement des modèles YOLO. HUB te permet de gérer facilement des jeux de données, d'entraîner des modèles et de les déployer sans avoir besoin d'expertise technique.

Pour exécuter des inférences sur des images, tu peux créer un compte, naviguer vers la section « Modèles » et choisir le modèle d'estimation de pose YOLO11 qui t'intéresse. Dans la section de prévisualisation, tu peux télécharger une image et voir les résultats de la prédiction comme indiqué ci-dessous.

Fig 8. Estimation de pose sur Ultralytics HUB avec YOLO11.

Link to this sectionAvancées de YOLO11 dans la détection de pose humaine#

Ultralytics YOLO11 propose des solutions précises et flexibles pour des tâches telles que l'estimation de pose dans un large éventail d'applications. Qu'il s'agisse d'améliorer la sécurité des travailleurs sur les chantiers, de surveiller la santé du bétail ou d'aider à la correction de la posture dans les routines de fitness, YOLO11 apporte précision et retour en temps réel grâce à une technologie de vision par ordinateur avancée.

Sa polyvalence, avec de multiples variantes de modèles et la possibilité d'entraîner des modèles personnalisés pour des cas d'utilisation spécifiques, en fait un outil très précieux pour les développeurs et les entreprises. Que ce soit par le codage avec le package Python Ultralytics ou l'utilisation d'Ultralytics HUB pour une mise en œuvre plus simple, YOLO11 rend l'estimation de pose accessible et percutante.

Pour en savoir plus, visite notre dépôt GitHub et rejoins notre communauté. Explore les applications de l'IA dans la fabrication et l'agriculture sur nos pages de solutions. 🚀