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

L'évolution de l'estimation de la pose

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

Au départ, les techniques dépendaient d'angles de caméra fixes et de points de référence connus. Plus tard, elles ont évolué pour inclure des modèles 3D et la correspondance des caractéristiques. Aujourd'hui, les modèles d'apprentissage profond comme YOLO11 peuvent détecter les positions du corps en temps réel à partir d'images ou de vidéos, ce qui rend l'estimation de la pose plus rapide et plus précise que jamais.

Au fur et à mesure que la technologie s'est améliorée, les chercheurs ont vu les applications potentielles de la possibilité de surveiller et de suivre les poses de divers objets, en particulier les humains et les animaux. L'estimation de la pose est particulièrement importante parce qu'elle permet aux outils d'intelligence artificielle de comprendre et de mesurer la posture et le mouvement d'une manière qui n'était pas possible auparavant. 

Par exemple, elle permet aux ordinateurs de reconnaître les gestes pour une interaction mains libres, d'analyser les mouvements des athlètes pour améliorer leurs performances, d'alimenter des animations réalistes dans les jeux vidéo, et même de soutenir les soins de santé en suivant la progression du rétablissement des patients.

En quoi cela diffère-t-il des autres tâches de vision par ordinateur ?

L'estimation de la pose est différente des autres tâches de vision par ordinateur telles que la détection d'objets et la segmentation d'instances. Ces tâches se concentrent principalement sur l'identification et la localisation d'objets dans une image. 

La détection d'objets, par exemple, dessine des boîtes de délimitation autour d'éléments tels que des personnes, des véhicules ou des animaux pour indiquer leur présence et leur position. La segmentation des instances va encore plus loin en décrivant la forme précise de chaque objet au niveau des pixels.

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

En identifiant des points clés du corps, tels que les coudes, les genoux ou même une queue, l'estimation de la pose peut interpréter la posture et le mouvement. Cela permet de mieux comprendre les actions, les gestes et la dynamique du corps, y compris les mouvements dans l'espace 3D.

Comprendre comment fonctionne l'estimation de la pose

Les modèles d'estimation de la pose suivent généralement deux approches principales : ascendante et descendante. Dans l'approche ascendante, le modèle détecte d'abord les 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 (comme une personne sur l'image), puis localise les points clés de cet objet spécifique.

‍

Certains modèles plus récents, comme YOLO11, combinent les avantages des deux approches. Ils conservent l'efficacité de la méthode ascendante en sautant l'étape du regroupement manuel, tout en tirant parti de la précision des systèmes descendants en détectant les personnes et en estimant leurs poses en une seule fois - dans un processus unique et rationalisé.

Entraînement personnalisé YOLO11 pour l'estimation de la pose

Alors que nous expliquons le fonctionnement des modèles d'estimation de la pose, tu te demandes peut-être : comment ces modèles apprennent-ils à estimer la pose de différents objets ? C'est là que l'idée d'une formation personnalisée entre en jeu.

L'apprentissage personnalisé consiste à apprendre à un modèle à reconnaître des points clés spécifiques à l'aide de tes propres données. Comme la construction d'un modèle à partir de zéro nécessite une grande quantité d'images étiquetées et un temps important, de nombreuses personnes optent pour l'apprentissage par transfert. Cela consiste à partir d'un modèle qui a déjà été entraîné sur un grand ensemble de données, comme le modèle d'estimation de la pose YOLO11 , qui est pré-entraîné sur l'ensemble de données COCO-Pose, puis à l'affiner avec tes propres données pour une tâche ou un cas d'utilisation spécifique.

Disons que tu travailles sur des poses de yoga - tu peux affiner YOLO11 en utilisant des images où chaque pose est étiquetée avec des points clés spécifiques à cette activité. Pour ce faire, tu auras besoin d'un ensemble de données personnalisées d'images annotées à partir desquelles le modèle pourra apprendre. 

Pendant l'entraînement, tu peux ajuster des paramètres comme la taille du lot (le nombre d'images traitées en même temps), le taux d'apprentissage (la vitesse à laquelle le modèle met à jour son apprentissage) et les époques (le nombre de fois que le modèle parcourt l'ensemble de données) afin d'améliorer la précision. Il est ainsi beaucoup plus facile de construire des modèles d'estimation de la pose adaptés à tes besoins spécifiques.

Applications réelles de l'estimation de la pose

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

Utiliser l'estimation de la pose pour la physiothérapie 

L'estimation de la pose devient progressivement un outil fiable dans l'industrie de la santé, en particulier dans la thérapie physique. Grâce à l'IA et à la vision par ordinateur, ces systèmes peuvent suivre la posture et les mouvements en temps réel et fournir un retour d'information, similaire à ce que proposerait un kinésithérapeute. 

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

‍

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

Capture de mouvement pour le divertissement grâce à l'estimation de la pose

L'estimation de la pose a changé la façon dont la capture de mouvement fonctionne dans le domaine du divertissement, en la rendant plus simple et plus accessible. Auparavant, la capture de mouvements nécessitait de placer des marqueurs sur le corps d'une personne et de les suivre à l'aide de caméras spéciales, ce qui pouvait s'avérer délicat et coûteux. 

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

L'AR (réalité augmentée) Poser de Disney en est un excellent exemple. Cet outil amusant te permet de prendre une photo avec ton téléphone et de demander à un personnage numérique de copier ta pose en réalité augmentée. Il fonctionne en analysant ta pose sur la photo et en la faisant correspondre à un personnage en 3D, créant ainsi un selfie AR amusant et personnalisé. 

‍

La recherche sur le comportement social s'appuie sur l'estimation de la position des animaux

L'étude du comportement animal aide les scientifiques à comprendre comment les animaux communiquent, trouvent des partenaires, s'occupent de leurs petits et vivent en groupe. Ces connaissances sont essentielles pour protéger la faune et la flore et pour mieux comprendre le monde naturel.

L'estimation de la pose simplifie ce processus en suivant les mouvements et la posture des animaux à l'aide d'images et de vidéos, sans attacher de capteurs ou d'étiquettes aux animaux. Ces systèmes peuvent surveiller automatiquement leurs poses, ce qui permet de mieux comprendre des comportements tels que le toilettage, le jeu ou le combat. 

Les scientifiques qui utilisent l'estimation de la pose pour étudier le comportement des singes en sont un exemple intéressant. En fait, les chercheurs ont compilé des ensembles de données comme OpenApePose, qui contient plus de 71 000 images étiquetées de six espèces de singes. 

‍

Avantages et inconvénients de l'estimation de la pose

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

• Évolutivité: Les systèmes d'estimation de la pose peuvent être déployés sur une large gamme d'appareils, des smartphones aux configurations de caméras avancées, ce qui les rend très évolutifs et accessibles pour différents cas d'utilisation et environnements.
  
  
• Rentable : Comme l'estimation de la pose repose sur des caméras ordinaires et ne nécessite pas de capteurs ou d'étiquettes coûteux, elle peut constituer une solution plus rentable pour le suivi des mouvements dans les applications de recherche et commerciales.
  
  
• Suivi continu : Les systèmes d'estimation de la pose peuvent assurer un suivi continu en temps réel, ce qui permet de surveiller les changements au fil du temps, qu'il s'agisse des progrès des patients en rééducation ou du suivi du comportement des animaux dans la nature.

Si les avantages de l'estimation de la pose sont évidents dans divers domaines, il y a aussi quelques défis à relever. Voici quelques limitations clés à garder à l'esprit :

• Généralisation limitée : De nombreux modèles formés sur des ensembles de données humaines ne se généralisent pas bien aux animaux ou aux structures corporelles peu communes sans recyclage sur des ensembles de données spécifiques.
  
  
• Limites environnementales : Les performances peuvent se dégrader en cas de mauvais éclairage, de flou de mouvement rapide ou d'arrière-plan encombré.

• Sensibilité élevée à l'occlusion : La précision peut chuter lorsque des parties du corps sont bloquées ou hors du cadre, en particulier dans les scènes encombrées ou le suivi de plusieurs personnes.

Principaux enseignements

L'estimation de la pose a parcouru un long chemin depuis ses débuts, évoluant de systèmes qui utilisaient des marqueurs à des outils impactants pilotés par des modèles d'apprentissage profond comme YOLO11. Qu'il s'agisse d'améliorer la thérapie physique, d'alimenter des expériences AR interactives ou d'aider à la recherche sur la faune, l'estimation de la pose change la façon dont les machines comprennent le mouvement et la posture. À mesure que la technologie continue de progresser, il sera essentiel de s'attaquer à ses limites pour débloquer encore plus d'utilisations pratiques et faire en sorte que les machines comprennent mieux comment nous et les autres êtres vivants nous déplaçons.

Curieux de l'IA ? Explore notre dépôt GitHub, connecte-toi avec notre communauté et consulte nos options de licence pour démarrer ton projet de vision par ordinateur. Apprends-en plus sur des innovations comme l'IA dans le commerce de détail et la vision par ordinateur dans le secteur de la logistique sur nos pages de solutions.