Le guide complet des outils d’estimation de pose

En tant qu’êtres humains, nous interprétons instinctivement les mouvements. Quand quelqu’un se penche en avant, tourne la tête ou lève le bras, tu peux immédiatement deviner ce qu’il fait. Cette aptitude discrète, presque inconsciente, façonne la manière dont nous interagissons avec les autres et explorons le monde.

À mesure que la technologie prend une place croissante dans la vie quotidienne, il est naturel de vouloir que nos appareils comprennent les mouvements aussi facilement que nous. Les progrès récents de l’intelligence artificielle, en particulier ceux fondés sur l’apprentissage profond, rendent cela possible. La vision par ordinateur aide notamment les machines à extraire du sens des images et des vidéos, et contribue à ces avancées.

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

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

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

Dans cet article, nous examinerons en détail les outils d’estimation de pose pour comprendre son fonctionnement, ses domaines d’utilisation ainsi que certains des meilleurs modèles et bibliothèques disponibles aujourd’hui.

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 comment une personne ou un objet est positionné dans une image ou une vidéo. Au lieu d’analyser chaque pixel de la même manière, elle prédit un ensemble de repères cohérents, comme la tête, les épaules, les coudes, les hanches, les genoux et les chevilles.

La plupart des modèles renvoient les coordonnées de ces points clés ainsi qu’un score qui indique la probabilité que chaque prédiction soit correcte. Ces points clés peuvent ensuite être reliés selon une disposition prédéfinie du squelette pour former une représentation simple de la pose.

Lorsqu’ils sont appliqués image par image dans des 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 basée sur les gestes.

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

Pourquoi utiliser des outils d’estimation de pose#

Les mouvements humains sont très riches en informations. La manière dont une personne se penche, tend le bras ou déplace son poids peut révéler ses intentions, son effort, sa fatigue, voire un risque de blessure. Jusqu’à récemment, saisir 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. En extrayant les principaux repères corporels d’images et de vidéos ordinaires, les ordinateurs peuvent analyser les mouvements à l’aide de caméras standard. L’analyse des mouvements devient ainsi plus accessible, plus évolutive et plus pratique dans des situations réelles.

Voici quelques exemples de l’impact que peut avoir l’estimation de pose :

• Des lieux de travail plus sûrs : les systèmes pilotés par la vision peuvent détecter les postures à risque, les efforts répétitifs ou les techniques de levage dangereuses avant qu’une blessure ne survienne.
• Un meilleur entraînement physique et sportif : les solutions d’IA visuelle peuvent évaluer la technique, l’équilibre et les mouvements en temps réel, et fournir un retour immédiat aux utilisateurs sans appareil connecté porté sur soi.
• Santé et rééducation : les cliniciens peuvent suivre à distance les progrès de la récupération, la posture et l’amplitude des mouvements à l’aide de simples enregistrements vidéo.
• Expériences interactives : l’estimation de pose permet aux avatars numériques et aux environnements immersifs de suivre et de reproduire plus facilement les mouvements humains avec précision.

Évolution des algorithmes d’estimation de pose#

L’estimation de pose existe depuis de nombreuses années. Les premières approches reposaient sur des modèles géométriques simples et des règles conçues manuellement ; elles ne fonctionnaient généralement que dans des conditions contrôlées.

Par exemple, un système pouvait bien fonctionner lorsqu’une personne restait immobile dans une position fixe, mais échouer dès qu’elle se mettait à marcher, à 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 généralise mieux à de nouvelles scènes. Grâce à ces progrès, l’estimation de pose répond aujourd’hui à de nombreux besoins 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 décline en plusieurs formes, selon le contexte et les mesures recherchées. Voici les principaux types que tu rencontreras :

• Estimation de pose 2D : cette approche détecte les points clés du corps dans une image ou une image vidéo en deux dimensions. Elle fonctionne bien avec des caméras standard et nécessite peu de 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 posture.
• Estimation de pose 3D : en estimant la profondeur en plus des coordonnées de l’image, l’estimation de pose 3D permet de comprendre les mouvements du corps dans l’espace. Elle est particulièrement utile lorsque les mouvements vers l’avant et vers l’arrière comptent, par exemple pour l’analyse sportive, la rééducation, la biomécanique et l’animation. Plus précisément, l’estimation de pose humaine 3D saisit la position et le mouvement des articulations dans l’espace 3D, réduisant l’ambiguïté qui peut apparaître avec les projections 2D.
• Estimation de pose pour une seule personne : ces systèmes sont conçus pour suivre une personne à la fois. Ils donnent généralement les meilleurs résultats dans des contextes contrôlés ou semi-contrôlés où le sujet est clairement visible, comme les applications d’exercices guidés, les appels vidéo ou les dispositifs d’analyse du mouvement.
• Estimation de pose pour plusieurs personnes : conçue pour les scènes où se trouvent 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 un espace 3D par rapport à un espace image 2D (Source)

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

L’estimation de pose peut s’appliquer 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 où les principales parties du corps sont étiquetées dans de grandes collections d’images et d’images vidéo. À partir de ces exemples, le modèle apprend les motifs visuels associés aux repères du corps humain, comme les épaules, les coudes, les hanches, les genoux et les chevilles, afin de prédire avec précision 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 en poses complètes. Certains systèmes détectent d’abord chaque personne, puis estiment les points clés dans la zone de chacune ; d’autres détectent les points clés dans toute l’image avant de les regrouper par personne. Les architectures récentes à une seule étape peuvent prédire les poses en un seul passage et trouver un équilibre entre vitesse et précision pour une utilisation en temps réel.

Voyons maintenant en détail les différentes approches d’estimation de pose.

Estimation de pose ascendante#

Dans une approche ascendante, le modèle examine toute l’image et repère d’abord 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 toutes les articulations définis par le squelette de pose dans la scène.

Ensuite, le système relie les points entre eux lors d’une deuxième étape. Il associe les points clés qui vont ensemble et les regroupe en squelettes complets, un par personne. Comme elle n’exige pas de détecter d’abord chaque personne, l’approche ascendante fonctionne souvent bien dans les scènes bondées où les personnes se chevauchent, apparaissent à différentes échelles 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 zone distincte à analyser.

Une fois la personne isolée, le modèle prédit les points clés du corps dans cette zone. Cette approche étape par étape fournit souvent des résultats très précis, surtout lorsque la scène ne comporte que quelques personnes clairement visibles.

Estimation de pose en une étape ou hybride#

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

Comme toutes les opérations se déroulent dans un seul module, ces modèles sont souvent plus rapides et plus efficaces. Ils conviennent donc parfaitement aux usages en temps réel, comme le suivi des mouvements en direct et la capture de mouvement. Des modèles comme Ultralytics YOLO11 s’appuient sur ce principe et cherchent à concilier vitesse et fiabilité des prédictions de points clés.

Entraînement et évaluation des modèles d’estimation de pose#

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

Parmi les jeux de données d’estimation de pose les plus 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 une fois déployé, les ingénieurs collectent et annotent souvent des images supplémentaires issues de l’environnement cible, comme une usine, une salle de sport ou une clinique.

Fig. 4. Estimation de différentes poses 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 de guider les ajustements nécessaires à son utilisation en conditions réelles. Les résultats sont souvent présentés à l’aide de la précision moyenne moyenne, généralement appelée mAP, qui résume les performances à différents seuils de confiance en comparant les poses prédites à la vérité terrain annotée.

Dans de nombreux benchmarks de pose, une pose prédite est comparée à une pose de référence à l’aide de l’Object Keypoint Similarity (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 à localiser chaque point clé.

Les modèles de pose renvoient aussi des scores de confiance pour les personnes détectées et pour chaque point clé. Ces scores reflètent le niveau de confiance du modèle et servent à classer et à 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 offrant un compromis entre vitesse, précision et facilité d’utilisation. Voici quelques-uns des outils et bibliothèques les plus utilisés :

• Ultralytics YOLO11 : développé comme un modèle d’IA visuelle 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 différentes tâches de vision par ordinateur, notamment l’estimation de pose. Grâce à ses excellentes performances sur diverses plateformes, des ordinateurs portables aux appareils en périphérie, YOLO11 convient à de nombreux déploiements réels.
• Ultralytics YOLO26 : lancé en janvier 2026, ce modèle de nouvelle génération est conçu pour être plus léger, plus compact et plus rapide, tout en conservant une grande précision. Il est conçu pour une utilisation en temps réel et un déploiement facilité, et prend en charge des tâches comme la détection d’objets, la segmentation d’instances et l’estimation de pose, avec des tailles de modèle adaptées à tout type d’environnement, des appareils en périphérie aux systèmes de plus grande envergure.
• MediaPipe : Il s’agit d’un framework multiplateforme permettant de 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 comprend des solutions et des modèles prêts à l’emploi pour l’estimation de pose du corps entier, les repères faciaux et le suivi des mains.
• OpenPose : ce système d’estimation de pose open source de bout en bout est réputé pour détecter les points clés de plusieurs personnes. Il peut estimer simultanément les points clés du corps, des mains et du visage et est souvent utilisé en recherche, en animation et en analyse du mouvement.
• MMPose : MMPose est une boîte à outils d’estimation de pose basée sur PyTorch, issue de l’écosystème OpenMMLab. Elle propose 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 : Ces anciens modèles d’estimation de pose 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 l’ensemble du réseau, ce qui l’aide à localiser les points clés avec précision. AlphaPose est un système d’estimation de pose multi-personnes largement utilisé, notamment lorsque la précision est essentielle dans des scènes encombrées 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 le mouvement. En suivant les points clés du corps image par image, ces systèmes peuvent déduire la posture, le mouvement et le comportement physique à partir des flux des caméras, ce qui rend cette technologie pratique dans de nombreux contextes réels.

Par exemple, dans les domaines des soins de santé et de la rééducation, le suivi de pose peut aider les cliniciens à observer et à mesurer les mouvements d’un patient pendant sa thérapie et son rétablissement. En extrayant les repères corporels de vidéos ordinaires, il permet d’évaluer la posture, l’amplitude des mouvements et les schémas de mouvement globaux au fil du temps. Ces mesures peuvent compléter et optimiser les évaluations cliniques traditionnelles et, dans certains cas, faciliter le suivi des progrès sans capteurs portables ni équipement spécialisé.

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

Choisir le bon outil d’estimation de pose#

Pour choisir le bon outil d’estimation de pose, commence par comprendre les besoins de ton projet de vision par ordinateur. Certaines applications privilégient la vitesse en temps réel, tandis que d’autres nécessitent une plus grande précision et davantage de détails.

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

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

En bref, les différents outils excellent dans des domaines différents. Par exemple, les modèles Ultralytics YOLO offrent un compromis pratique entre vitesse, précision et facilité de déploiement pour de nombreuses applications concrètes d’estimation de pose.

Fig. 5. Estimation de pose animale avec 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, les soins de santé, la sécurité au travail et les expériences interactives. À mesure que les modèles gagnent en vitesse et en précision, 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 en 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 !