Le guide ultime des outils d’estimation de pose

En tant qu’êtres humains, nous interprétons instinctivement les mouvements. Lorsqu’une personne se penche en avant, tourne la tête ou lève un bras, tu peux immédiatement comprendre ce qu’elle fait. C’est une compétence discrète, presque inconsciente, qui façonne notre manière d’interagir avec les autres et d’explorer le monde.

À mesure que la technologie prend une place plus importante dans la vie quotidienne, il est naturel de vouloir que nos appareils comprennent les mouvements aussi facilement que nous. Les avancées récentes de l’intelligence artificielle, en particulier celles fondées sur l’apprentissage profond, rendent cela possible. Plus précisément, la vision par ordinateur aide les machines à extraire du sens des images et des vidéos, et joue un rôle moteur dans cette évolution.

Par exemple, l’estimation de pose est une tâche courante de vision par ordinateur qui prédit l’emplacement de points clés prédéfinis du corps (comme les épaules, les coudes, les hanches et les genoux) dans une image ou une trame vidéo. Ces points clés peuvent être reliés à l’aide d’une définition fixe du squelette afin de former une représentation simplifiée de la pose.

Les modèles de vision par ordinateur tels que Ultralytics YOLO11 et le prochain Ultralytics YOLO26 prennent en charge des tâches comme l’estimation de pose et peuvent alimenter des applications en temps réel, notamment le retour sur la posture dans le fitness et le sport, la surveillance de la sécurité et les expériences interactives de réalité augmentée.

Fig. 1. Aperçu de l’utilisation d’Ultralytics YOLO11 pour l’estimation de pose (Source)

Dans cet article, nous allons examiner en détail les outils d’estimation de pose et voir comment fonctionne l’estimation de pose, où elle est utilisée, ainsi que certains des meilleurs modèles et bibliothèques disponibles aujourd’hui. Commençons !

Qu’est-ce que l’estimation de pose ?#

L’estimation de pose est une technique de vision par ordinateur qui aide un système à comprendre la position d’une personne ou d’un objet dans une image ou une vidéo. Plutôt que d’analyser chaque pixel de la même manière, elle prédit un ensemble de points de repère cohérents, comme la tête, les épaules, les coudes, les hanches, les genoux et les chevilles.

La plupart des modèles produisent les coordonnées de ces points clés ainsi qu’un score indiquant la probabilité que chaque prédiction soit correcte. Ces points clés peuvent ensuite être reliés à l’aide d’une structure de squelette prédéfinie afin de former une représentation simple de la pose.

Lorsqu’ils sont appliqués trame par trame aux vidéos, les points clés obtenus peuvent être associés au fil du temps pour estimer le mouvement. Cela permet des applications telles que la vérification de la posture, l’analyse des mouvements et l’interaction fondée sur les gestes.

Fig. 2. Exemple d’estimation de pose (Source)

Pourquoi utiliser des outils d’estimation de pose#

Les mouvements humains véhiculent beaucoup d’informations. La manière dont une personne se penche, tend le bras ou déplace son poids peut révéler son intention, son effort, sa fatigue, voire un risque de blessure. Jusqu’à récemment, capturer ce niveau de détail nécessitait généralement des capteurs spécialisés, des combinaisons de capture de mouvement ou des environnements de laboratoire contrôlés.

L’estimation de pose change la donne. L’extraction des principaux points de repère du corps à partir d’images et de vidéos ordinaires permet aux ordinateurs d’analyser les mouvements à l’aide de caméras standard. L’analyse des mouvements devient ainsi plus accessible, évolutive et pratique dans des environnements réels.

Voici quelques façons dont l’estimation de pose peut avoir un impact :

• Des lieux de travail plus sûrs : les systèmes pilotés par la vision peuvent servir à détecter les postures à risque, les efforts répétitifs ou les mauvaises techniques de levage avant qu’une blessure ne survienne.
• Améliorer l’entraînement physique et sportif : les solutions d’IA fondées sur la vision peuvent évaluer en temps réel la posture, l’équilibre et la technique, en fournissant un retour immédiat aux utilisateurs sans dispositif portable.
• Santé et rééducation : les professionnels de santé peuvent suivre à distance les progrès de la récupération, la posture et l’amplitude des mouvements à partir de simples enregistrements vidéo.
• Expériences interactives : l’estimation de pose permet aux avatars numériques et aux environnements immersifs de suivre et de reproduire plus fidèlement les mouvements humains.

L’évolution des algorithmes d’estimation de pose#

L’idée d’estimer les poses existe depuis de nombreuses années. Les premières approches utilisaient des modèles géométriques simples et des règles conçues manuellement, et ne fonctionnaient généralement que dans des conditions contrôlées.

Par exemple, un système pouvait fonctionner correctement lorsqu’une personne restait immobile dans une position fixe, mais échouer dès qu’elle commençait à marcher, à se tourner ou à interagir avec des objets dans des scènes réelles. Ces méthodes avaient souvent du mal à gérer les mouvements naturels, les changements d’angle de caméra, les arrière-plans encombrés et les occultations partielles.

L’estimation de pose moderne s’appuie sur l’apprentissage profond pour relever ces défis. En entraînant des réseaux neuronaux convolutifs sur de grands jeux de données annotés, les modèles apprennent des motifs visuels qui les aident à détecter les points clés de manière plus fiable selon les poses, les personnes et les environnements.

Avec davantage d’exemples, le modèle améliore ses prédictions et devient plus performant pour se généraliser à de nouvelles scènes. Grâce à ces progrès, l’estimation de pose prend désormais en charge un large éventail de cas d’utilisation pratiques, notamment la surveillance des lieux de travail et l’ergonomie, ainsi que l’analyse sportive, où les entraîneurs et les analystes étudient les mouvements des athlètes.

Types de techniques d’estimation de pose#

L’estimation de pose se présente sous différentes formes, selon le contexte et ce que tu dois mesurer. Voici les principaux types que tu rencontreras :

• Estimation de pose 2D : cette approche détecte les points clés du corps dans une image ou une trame vidéo bidimensionnelle. Elle fonctionne bien avec les caméras standard et est efficace sur le plan des calculs, ce qui la rend adaptée à des tâches comme le suivi élémentaire des mouvements, l’analyse de la posture et le retour en temps réel sur la technique.
• Estimation de pose 3D : en estimant la profondeur en plus des coordonnées de l’image, l’estimation de pose 3D fournit une compréhension spatiale des mouvements du corps. Elle est particulièrement utile lorsque les mouvements vers l’avant et l’arrière sont importants, notamment pour l’analyse sportive, la rééducation, la biomécanique et l’animation. Plus précisément, l’estimation de pose humaine 3D capture la position et les mouvements des articulations dans l’espace 3D, réduisant l’ambiguïté qui peut apparaître avec les projections 2D.
• Estimation de pose d’une seule personne : ces systèmes sont conçus pour suivre une personne à la fois. Ils ont tendance à être plus performants dans des environnements contrôlés ou semi-contrôlés où le sujet est clairement visible, comme les applications d’exercices guidés, les appels vidéo ou les dispositifs d’analyse des mouvements.
• Estimation de pose de plusieurs personnes : conçue pour les scènes comportant plusieurs personnes, cette approche détecte et suit simultanément les poses de plusieurs individus. Elle est particulièrement utile dans les environnements animés comme les lieux de travail, les salles de sport, les espaces publics et les activités de groupe, où les sujets peuvent se chevaucher ou s’occulter mutuellement.

Fig. 3. Comprendre les mouvements humains dans l’espace 3D par rapport à l’espace image 2D (Source)

Comprendre le fonctionnement des modèles d’estimation de pose humaine#

L’estimation de pose peut être appliquée à de nombreux types d’objets, mais pour simplifier, concentrons-nous sur l’estimation de pose humaine.

La plupart des systèmes d’estimation de pose humaine sont entraînés sur des jeux de données annotés dans lesquels les principales parties du corps sont étiquetées dans de grandes collections d’images et de trames vidéo. À partir de ces exemples, le modèle apprend les motifs visuels associés aux points de repère du corps humain, comme les épaules, les coudes, les hanches, les genoux et les chevilles, afin de pouvoir prédire précisément les points clés dans de nouvelles scènes.

Un autre aspect essentiel est l’architecture d’inférence du modèle, qui détermine comment il détecte les points clés et les assemble pour former des poses complètes. Certains systèmes détectent d’abord chaque personne, puis estiment les points clés dans la région de chacune, tandis que d’autres détectent les points clés dans l’ensemble de l’image avant de les regrouper par individu. Les architectures récentes à étape unique peuvent prédire les poses en un seul passage, en équilibrant vitesse et précision pour une utilisation en temps réel.

Examinons maintenant en détail les différentes approches de l’estimation de pose.

Estimation de pose ascendante#

Dans une approche ascendante, le modèle examine l’image entière et commence par repérer les points clés du corps, comme la tête, les épaules, les coudes, les hanches, les genoux et les chevilles. À ce stade, il n’essaie pas de séparer les personnes. Il détecte simplement tous les points clés ou articulations définis par le squelette de pose dans la scène.

Ensuite, le système effectue une deuxième étape pour relier les éléments. Il relie les points clés qui vont ensemble et les regroupe en squelettes complets, un par personne. Comme elles n’ont pas besoin de détecter d’abord chaque personne, les méthodes ascendantes fonctionnent souvent bien dans les scènes bondées où les personnes se chevauchent, apparaissent à des tailles différentes ou sont partiellement cachées.

Détection de pose descendante#

À l’inverse, les systèmes descendants commencent par détecter chaque personne dans l’image. Ils placent une boîte englobante autour de chaque individu et traitent chaque boîte comme une région distincte à analyser.

Une fois la personne isolée, le modèle prédit les points clés du corps dans cette région. Cette configuration étape par étape produit souvent des résultats très précis, notamment lorsque la scène ne comporte que quelques personnes et que chacune est clairement visible.

Estimation de pose à étape unique ou hybride#

Les modèles à étape unique, parfois appelés modèles hybrides, prédisent les poses en un seul passage. Au lieu d’exécuter d’abord la détection des personnes, puis l’estimation des points clés, ils produisent simultanément l’emplacement de la personne et les points clés du corps.

Comme tout se déroule dans un seul module, ces modèles sont souvent plus rapides et plus efficaces, ce qui en fait un excellent choix pour les utilisations en temps réel comme le suivi des mouvements en direct et la capture de mouvement. Des modèles tels qu’Ultralytics YOLO11 reposent sur cette idée et cherchent à équilibrer vitesse et fiabilité des prédictions de points clés.

Entraîner et évaluer les modèles d’estimation de pose#

Quelle que soit l’approche utilisée, un modèle d’estimation de pose doit être entraîné et testé avec soin avant d’être fiable dans le monde réel. Il apprend généralement à partir de grands ensembles d’images (et parfois de vidéos) dans lesquels les points clés du corps sont étiquetés, ce qui l’aide à gérer différentes poses, angles de caméra et environnements.

Parmi les jeux de données d’estimation de pose connus figurent COCO Keypoints, MPII Human Pose, CrowdPose et OCHuman. Lorsque ces jeux de données ne reflètent pas les conditions auxquelles le modèle sera confronté en production, les ingénieurs collectent et annotent souvent des images supplémentaires dans l’environnement cible, comme une usine, une salle de sport ou une clinique.

Fig. 4. Différentes poses estimées à l’aide de la vision par ordinateur (Source)

Après l’entraînement, les performances du modèle sont évaluées sur des benchmarks standard afin de mesurer sa précision et sa robustesse, et d’orienter les réglages ultérieurs pour une utilisation dans le monde réel. Les résultats sont souvent présentés à l’aide de la précision moyenne, généralement appelée mAP, qui synthétise les performances pour différents seuils de confiance en comparant les poses prédites aux annotations de référence.

Dans de nombreux benchmarks de pose, une pose prédite est mise en correspondance avec une pose de référence à l’aide de la similarité des points clés d’objet (OKS). L’OKS mesure la proximité entre les points clés prédits et les points clés annotés, tout en tenant compte de facteurs comme la taille de la personne et la difficulté habituelle de localisation de chaque point clé.

Les modèles de pose produisent également des scores de confiance pour les personnes détectées et pour les points clés individuels. Ces scores reflètent la confiance du modèle et servent à classer et filtrer les prédictions, ce qui est particulièrement important dans des conditions difficiles comme les occultations, le flou de mouvement ou les angles de caméra inhabituels.

Outils et bibliothèques populaires d’estimation de pose#

De nombreux outils d’estimation de pose sont disponibles aujourd’hui, chacun équilibrant vitesse, précision et facilité d’utilisation. Voici quelques-uns des outils et bibliothèques les plus utilisés :

• Ultralytics YOLO11 : développé comme un modèle d’IA de vision open source de pointe, YOLO11 s’appuie sur des modèles antérieurs comme Ultralytics YOLOv8. Il améliore la vitesse, la précision et l’efficacité globale tout en prenant en charge diverses tâches de vision par ordinateur, notamment l’estimation de pose. Grâce à ses solides performances sur différentes plateformes, des ordinateurs portables aux appareils périphériques, YOLO11 est une excellente option pour de nombreux déploiements réels.
• Ultralytics YOLO26 : ce modèle nouvelle génération à venir est conçu pour être plus léger, plus compact et plus rapide, tout en conservant une grande précision. Il est conçu pour l’utilisation en temps réel et pour faciliter le déploiement, et prend en charge des tâches comme la détection d’objets, la segmentation d’instances et l’estimation de pose, avec des tailles de modèles adaptées aussi bien aux appareils périphériques qu’aux systèmes plus importants.
• MediaPipe : il s’agit d’un framework multiplateforme destiné à créer des pipelines de vision et d’apprentissage automatique. Léger, il fonctionne efficacement sur les appareils mobiles, les tablettes et dans les applications web, et inclut des solutions et des modèles prêts à l’emploi pour la pose du corps entier, les points de repère du visage et le suivi des mains.
• OpenPose** :** ce système open source d’estimation de pose de bout en bout est largement connu pour la détection de points clés de plusieurs personnes. Il peut estimer simultanément les points clés du corps, des mains et du visage, et est couramment utilisé dans la recherche, l’animation et l’analyse des mouvements.
• MMPose : MMPose est une boîte à outils d’estimation de pose basée sur PyTorch, issue de l’écosystème OpenMMLab. Elle fournit de nombreuses implémentations de modèles, des utilitaires d’entraînement et des options de configuration, ce qui la rend utile pour l’expérimentation et la personnalisation avancée.
• HRNet et AlphaPose : ce sont des modèles d’estimation de pose plus anciens qui sont encore utilisés dans la recherche aujourd’hui. HRNet est une architecture de modèle de pose qui conserve des caractéristiques d’image à haute résolution dans tout le réseau, ce qui l’aide à localiser précisément les points clés. AlphaPose est un système d’estimation de pose de plusieurs personnes largement utilisé, notamment lorsqu’une grande précision est nécessaire dans des scènes bondées ou complexes.

Applications concrètes de l’analyse et de l’estimation de pose#

L’estimation de pose est de plus en plus utilisée pour transformer des vidéos ordinaires en informations utiles sur les mouvements. En suivant les points clés du corps trame par trame, ces systèmes peuvent déduire la posture, les mouvements et le comportement physique à partir de flux vidéo, ce qui rend cette technologie pratique dans de nombreux environnements réels.

Par exemple, dans le domaine de la santé et de la rééducation, le suivi de la pose peut aider les professionnels de santé à observer et mesurer les mouvements d’un patient pendant sa thérapie et sa récupération. En extrayant les points de repère du corps à partir d’enregistrements vidéo ordinaires, il peut servir à évaluer la posture, l’amplitude des mouvements et les schémas généraux de mouvement au fil du temps. Ces mesures peuvent compléter et optimiser les évaluations cliniques traditionnelles et, dans certains cas, faciliter le suivi des progrès sans nécessiter de capteurs portables ni d’équipement spécialisé.

De même, dans le sport et la diffusion audiovisuelle, l’estimation de pose peut analyser directement les mouvements des athlètes à partir de flux vidéo. Hawk-Eye en est un exemple intéressant : il s’agit d’un système de suivi basé sur des caméras, utilisé dans le sport professionnel pour l’arbitrage et les graphiques de diffusion. Il fournit également un suivi du squelette en estimant les points clés du corps d’un athlète à partir des images des caméras.

Choisir le bon outil d’estimation de pose#

Choisir le bon outil d’estimation de pose commence par la compréhension des besoins de ton projet de vision par ordinateur. Certaines applications privilégient la vitesse en temps réel, tandis que d’autres exigent davantage de précision et de détails.

L’appareil cible de déploiement fait également la différence. Les applications mobiles et les appareils périphériques nécessitent généralement des modèles légers et efficaces, tandis que les modèles plus volumineux conviennent souvent mieux aux serveurs ou aux environnements cloud.

En outre, la facilité d’utilisation peut jouer un rôle. Une documentation de qualité, un déploiement fluide et la prise en charge de l’entraînement personnalisé peuvent simplifier ton projet.

En bref, chaque outil possède ses points forts. Par exemple, les modèles YOLO d’Ultralytics offrent un équilibre pratique entre vitesse, précision et facilité de déploiement pour de nombreuses applications réelles d’estimation de pose.

Fig. 5. Estimation de pose animale à l’aide d’Ultralytics YOLO11 (Source)

Points clés à retenir#

L’estimation de pose aide les ordinateurs à comprendre les mouvements humains en détectant les points clés du corps dans les images et les vidéos. Des modèles comme YOLO11 et YOLO26 facilitent la création d’applications en temps réel dans des domaines tels que le sport, la santé, la sécurité au travail et les expériences interactives. À mesure que les modèles deviennent plus rapides et plus précis, l’estimation de pose devrait devenir une fonctionnalité courante de nombreux systèmes d’IA de vision.

Tu veux en savoir plus sur l’IA ? Découvre notre communauté et notre dépôt GitHub. Explore nos pages de solutions pour en savoir plus sur l’IA dans la robotique et la vision par ordinateur dans l’industrie manufacturière. Découvre nos options de licence et commence dès aujourd’hui à créer avec la vision par ordinateur !