Qu'est-ce que l'estimation de pose et où peut-elle être utilisée ?

Quand tu vois quelqu'un avachi ou qui se tient droit, les épaules en arrière, tu vois immédiatement s'il a une mauvaise posture ou s'il est confiant. Personne n'a besoin de te l'expliquer. C'est parce qu'au fil du temps, nous avons naturellement appris à interpréter le langage corporel.

Grâce à l'expérience et à l'observation, notre cerveau est devenu très habile pour reconnaître la posture de divers objets, y compris les humains. Grâce aux progrès récents de l'intelligence artificielle (IA) et de la computer vision, un domaine qui permet aux machines d'interpréter des informations visuelles du monde, les machines commencent désormais à apprendre et à reproduire cette capacité elles aussi.

La Pose estimation est une tâche de computer vision qui aide les machines à déterminer la position et l'orientation d'une personne ou d'un objet en analysant des images ou des vidéos. Pour ce faire, elle identifie des points clés sur le corps, comme les articulations et les membres, afin de comprendre comment quelqu'un, ou même quelque chose, se déplace.

Cette technologie est largement utilisée dans des domaines tels que le fitness, la santé et l'animation. Dans les environnements de travail, par exemple, elle peut servir à surveiller la posture des employés et à soutenir des initiatives de sécurité et de bien-être. Les modèles de computer vision tels que Ultralytics YOLO11 rendent cela possible en estimant les poses humaines en temps réel.

Fig 1. Un exemple d'utilisation d'Ultralytics YOLO11 pour surveiller la posture des travailleurs.

Dans cet article, nous examinerons de plus près l'estimation de pose et son fonctionnement, ainsi que des cas d'utilisation concrets où elle fait la différence. Commençons !

L'évolution de l'estimation de pose#

La recherche sur la pose estimation a débuté à la fin des années 1960 et 1970. Au fil des ans, les approches de cette computer vision task sont passées de mathématiques et de géométrie de base à des méthodes plus avancées guidées par l'intelligence artificielle.

Au départ, les techniques dépendaient d'angles de caméra fixes et de points de repère connus. Plus tard, elles ont évolué pour inclure des modèles 3D et la correspondance de caractéristiques. Aujourd'hui, les modèles de deep learning comme Ultralytics YOLO11 peuvent détecter les positions corporelles en temps réel à partir d'images ou de vidéos, rendant l'estimation de pose plus rapide et plus précise que jamais.

À mesure que la technologie s'améliorait, les chercheurs ont vu les applications potentielles de la capacité à surveiller et à suivre les poses de divers objets, en particulier les humains et les animaux. L'estimation de pose est particulièrement importante car elle permet aux outils d'IA de comprendre et de mesurer la posture et le mouvement de manières qui n'étaient pas possibles auparavant.

Par exemple, elle permet aux ordinateurs de reconnaître des gestes pour une interaction sans les mains, analyse les mouvements des athlètes pour améliorer leurs performances, alimente des animations réalistes dans les jeux vidéo et soutient même la santé en suivant les progrès de la rééducation des patients.

En quoi est-ce différent des autres tâches de vision par ordinateur ?#

La pose estimation se distingue d'autres tâches de computer vision telles que l'object detection et l'instance segmentation. Ces tâches se concentrent principalement sur l'identification et la localisation d'objets dans une image.

L'object detection, par exemple, trace des boîtes englobantes autour d'éléments comme des personnes, des véhicules ou des animaux pour indiquer leur présence et leur position. L'Instance segmentation va encore plus loin en délimitant la forme précise de chaque objet au niveau du pixel.

Cependant, ces deux méthodes se préoccupent principalement de ce qu'est l'objet et d'où il se trouve - elles ne fournissent aucune information sur la façon dont l'objet est positionné ou ce qu'il pourrait être en train de faire. C'est là que l'estimation de pose devient cruciale.

En identifiant des points clés sur le corps, comme les coudes, les genoux ou même une queue, l'estimation de pose peut interpréter la posture et le mouvement. Cela permet une compréhension plus approfondie des actions, des gestes et de la dynamique corporelle, y compris le mouvement dans l'espace 3D.

Comprendre le fonctionnement de l'estimation de pose#

Les Pose estimation models suivent généralement deux approches principales : ascendante (bottom-up) et descendante (top-down). Dans l'approche ascendante, le modèle détecte d'abord des points clés individuels, comme les coudes, les genoux ou les épaules, puis les regroupe pour déterminer à quelle personne ou à quel objet ils appartiennent. En revanche, l'approche descendante commence par détecter chaque objet en premier (tel qu'une personne dans l'image) puis localise les points clés pour cet objet spécifique.

Fig 2. Méthodes de pose estimation ascendante vs descendante.

Certains modèles plus récents, tels qu'Ultralytics YOLO11, associent les avantages des deux approches. Il conserve l'efficacité de la méthode bottom-up en évitant l'étape de regroupement manuel, tout en tirant parti de la précision des systèmes top-down en détectant les personnes et en estimant leurs poses en une seule fois, au sein d'un processus fluide et unifié.

Entraînement personnalisé d'Ultralytics YOLO11 pour l'estimation de pose#

Pendant que nous parcourons le fonctionnement des modèles d'estimation de pose, tu te demandes peut-être : comment ces modèles apprennent-ils réellement à estimer la pose de différents objets ? C'est là que l'idée de l'entraînement personnalisé entre en jeu.

L'entraînement personnalisé consiste à apprendre à un modèle à reconnaître des points clés spécifiques à l'aide de tes propres données. Étant donné que la création d'un modèle à partir de zéro nécessite une grande quantité d'images étiquetées et beaucoup de temps, beaucoup optent pour le transfer learning. Cela consiste à partir d'un modèle déjà entraîné sur un vaste jeu de données, tel que le modèle d'estimation de pose Ultralytics YOLO11, pré-entraîné sur le COCO-Pose dataset, puis à l'affiner avec tes propres données pour une tâche ou un cas d'usage spécifique.

Imaginons que tu travailles sur des postures de yoga : tu peux affiner Ultralytics YOLO11 à l'aide d'images où chaque pose est étiquetée avec des points clés propres à cette activité. Pour ce faire, tu auras besoin d'un dataset personnalisé d'images annotées sur lequel le modèle pourra s'entraîner.

Pendant l'entraînement, tu peux ajuster des paramètres comme la taille du lot (le nombre d'images traitées à la fois), le taux d'apprentissage (la vitesse à laquelle le modèle met à jour son apprentissage) et les époques (combien de fois le modèle parcourt le jeu de données) pour améliorer la précision. Cela rend beaucoup plus facile la construction de modèles d'estimation de pose adaptés à tes besoins spécifiques.

Applications concrètes de l'estimation de pose#

Maintenant que nous avons discuté de ce qu'est l'estimation de pose et de son fonctionnement, regardons de plus près certains de ses cas d'utilisation dans le monde réel.

Utiliser l'estimation de pose pour la physiothérapie#

L'estimation de pose devient progressivement un outil fiable dans l'industrie de la santé, en particulier en kinésithérapie. En utilisant l'IA et la vision par ordinateur, ces systèmes peuvent suivre la posture et les mouvements en temps réel et fournir des retours, similaires à ce qu'un kinésithérapeute proposerait.

Par exemple, un patient en convalescence après une opération du genou peut utiliser un système d'estimation de pose pour s'assurer qu'il fait correctement ses exercices de rééducation. Le système peut repérer tout mouvement incorrect et proposer des suggestions d'amélioration, aidant le patient à rester sur la bonne voie et à éviter les blessures.

Fig 3. Un exemple d'utilisation d'Ultralytics YOLO11 pour la physiothérapie.

Au-delà de la rééducation, la pose estimation fait également son entrée dans les fitness apps. Par exemple, une personne qui s'entraîne chez elle peut utiliser l'application pour vérifier sa posture pendant les exercices. L'application peut donner des retours en temps réel, comme ajuster l'angle d'un squat ou s'assurer que ton dos est bien droit pendant un soulevé de terre. Cela aide les utilisateurs à améliorer leur posture et à prévenir les blessures sans avoir besoin d'un entraîneur.

Capture de mouvement pour le divertissement rendue possible par l'estimation de pose#

L'estimation de pose a changé la façon dont la capture de mouvement fonctionne dans le divertissement, la rendant plus simple et plus accessible. Par le passé, la capture de mouvement nécessitait de placer des marqueurs sur le corps d'une personne et de les suivre avec des caméras spéciales, ce qui pouvait être complexe et coûteux.

Désormais, grâce aux progrès de l'IA et de la computer vision, nous pouvons utiliser des cameras ordinaires et des algorithmes pour suivre les mouvements du corps sans avoir besoin de marqueurs, ce qui rend le processus plus efficace et précis, même en temps réel.

Un excellent exemple de cela est l'application Disney's AR (Augmented Reality) Poser. Cet outil ludique te permet de prendre une photo avec ton téléphone et de faire en sorte qu'un personnage numérique imite ta pose en réalité augmentée. Il fonctionne en analysant ta pose sur la photo et en la faisant correspondre à un personnage 3D, créant ainsi un selfie AR amusant et personnalisé.

Fig 4. Un personnage AR imite la pose d'une personne à l'aide de la pose estimation.

Recherche sur le comportement social pilotée par l'estimation de pose animale#

Étudier le comportement animal aide les scientifiques à comprendre comment les animaux communiquent, trouvent des partenaires, prennent soin de leurs petits et vivent en groupe. Ces connaissances sont vitales pour protéger la faune et acquérir une compréhension plus profonde du monde naturel.

La pose estimation simplifie ce processus en tracking animal mouvements et postures à l'aide d'images et de vidéos, sans attacher de capteurs ou de balises aux animaux. Ces systèmes peuvent surveiller automatiquement leurs poses, fournissant des informations sur des comportements tels que le toilettage, le jeu ou les combats.

Un exemple intéressant de ceci est l'utilisation par les scientifiques de l'estimation de pose pour étudier le comportement des singes. En fait, des chercheurs ont compilé des jeux de données comme OpenApePose, qui contient plus de 71 000 images étiquetées provenant de six espèces de singes.

Fig 5. Pose estimation de singe.

Avantages et inconvénients de l'estimation de pose#

Voici quelques-uns des principaux avantages que l'estimation de pose peut apporter à diverses industries :

• Scalability: Les systèmes de pose estimation peuvent être déployés sur un large éventail d'appareils, des smartphones aux configurations de caméras avancées, ce qui les rend hautement évolutifs et accessibles pour différents cas d'usage et environnements.
• Rentable : Puisque l'estimation de pose repose sur des caméras classiques et ne nécessite pas de capteurs ou de balises coûteux, cela peut être une solution plus rentable pour le suivi des mouvements dans les applications de recherche et commerciales.
• Surveillance continue : Les systèmes d'estimation de pose peuvent fournir un suivi continu en temps réel, permettant la surveillance des changements au fil du temps, que ce soit pour les progrès des patients en rééducation ou le suivi du comportement animal dans la nature.

Bien que les avantages de l'estimation de pose soient clairs dans divers domaines, il existe également certains défis à prendre en compte. Voici quelques limitations clés à garder à l'esprit :

• Généralisation limitée : De nombreux modèles entraînés sur des jeux de données humains ne se généralisent pas bien aux animaux ou aux structures corporelles inhabituelles sans réentraînement sur des jeux de données spécifiques.

• Limitations environnementales : Les performances peuvent se dégrader en cas de faible luminosité, de flou de mouvement rapide ou d'arrière-plans encombrés.

• Haute sensibilité à l'occlusion : La précision peut chuter lorsque des parties du corps sont bloquées ou hors champ, surtout dans des scènes bondées ou lors du suivi de plusieurs personnes.

Points clés#

L'estimation de pose a fait du chemin depuis ses débuts, évoluant de systèmes utilisant des marqueurs vers des outils percutants propulsés par des modèles de deep learning comme Ultralytics YOLO11. Qu'il s'agisse d'améliorer la physiothérapie, d'alimenter des expériences AR interactives ou d'aider à la recherche sur la faune, l'estimation de pose change la façon dont les machines comprennent le mouvement et la posture. Alors que la technologie continue de progresser, surmonter ses limites sera essentiel pour débloquer encore plus d'utilisations pratiques et permettre aux machines de mieux comprendre comment nous et d'autres êtres vivants bougeons.

Curieux de l'IA ? Explore notre GitHub repository, connecte-toi avec our community et consulte our licensing options pour lancer ton projet de computer vision. Apprends-en plus sur les innovations telles que AI in retail et computer vision in the logistics industry sur nos pages de solutions.