14 ottobre 2024
Imparate a utilizzare il modello Ultralytics YOLO11 per una stima accurata della posa. Tratteremo l'inferenza in tempo reale e la formazione personalizzata del modello per varie applicazioni.
Le ricerche relative alla computer vision, una branca dell'intelligenza artificiale (IA), risalgono agli anni Sessanta. Tuttavia, solo nel 2010, con l'avvento dell'apprendimento profondo, si è assistito a importanti progressi nella comprensione delle immagini da parte delle macchine. Uno degli ultimi progressi nella computer vision sono i modelli Ultralytics YOLO11. I modelli YOLO11, presentati per la prima volta all'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), supportano una serie di attività di computer vision, tra cui la stima della posa.
La stima della posa può essere utilizzata per rilevare i punti chiave di una persona o di un oggetto in un'immagine o in un video per comprenderne la posizione, la postura o il movimento. È ampiamente utilizzata in applicazioni come l'analisi dello sport, il monitoraggio del comportamento degli animali e la robotica per aiutare le macchine a interpretare le azioni fisiche in tempo reale. Grazie all'accuratezza, all'efficienza e alla velocità migliorate rispetto ai modelli precedenti della serie YOLO (You Only Look Once), YOLO11 è particolarmente adatto a compiti di stima della posa in tempo reale.
In questo articolo analizzeremo cos'è la stima della posa, discuteremo alcune delle sue applicazioni e vedremo come utilizzare YOLO11 con il pacchetto Ultralytics Python per la stima della posa. Inoltre, vedremo come utilizzare Ultralytics HUB per provare YOLO11 e la stima della posa in pochi semplici clic. Iniziamo!
Prima di scoprire come utilizzare il nuovo modello Ultralytics YOLO11 per la stima della posa, cerchiamo di capire meglio la stima della posa.
La stima della posa è una tecnica di computer vision utilizzata per analizzare la posa di una persona o di un oggetto in un'immagine o in un video. I modelli di apprendimento profondo come YOLO11 sono in grado di identificare, localizzare e tracciare i punti chiave di un determinato oggetto o persona. Per gli oggetti, questi punti chiave possono includere angoli, bordi o segni distinti sulla superficie, mentre per gli esseri umani rappresentano le articolazioni principali come il gomito, il ginocchio o la spalla.
La stima della posa è unica e più complessa rispetto ad altre attività di computer vision come il rilevamento degli oggetti. Mentre il rilevamento degli oggetti individua gli oggetti in un'immagine disegnando un riquadro attorno ad essi, la stima della posa va oltre, prevedendo le posizioni esatte dei punti chiave dell'oggetto.
Per quanto riguarda la stima della posa, esistono due modi principali di operare: bottom-up e top-down. L'approccio bottom-up rileva i singoli punti chiave e li raggruppa in scheletri, mentre l'approccio top-down si concentra sul rilevamento degli oggetti e sulla stima dei punti chiave al loro interno.
YOLO11 combina i punti di forza dei metodi top-down e bottom-up. Come l'approccio bottom-up, mantiene le cose semplici e veloci senza dover raggruppare manualmente i punti chiave. Allo stesso tempo, sfrutta l'accuratezza del metodo top-down rilevando le persone e stimando le loro pose in un unico passaggio.
Le versatili capacità di YOLO11 per la stima della posa aprono una vasta gamma di applicazioni possibili in molti settori. Vediamo nel dettaglio alcuni casi d'uso di YOLO11 per la stima della posa.
La sicurezza è un aspetto importante di qualsiasi progetto edile. Ciò è particolarmente vero perché, statisticamente, i cantieri registrano un numero maggiore di infortuni sul lavoro. Nel 2021, circa il 20% di tutti gli infortuni mortali legati al lavoro si sono verificati nei cantieri o nelle loro vicinanze. Con i rischi quotidiani, come le attrezzature pesanti e gli impianti elettrici, le misure di sicurezza sono essenziali per mantenere i lavoratori al sicuro. I metodi tradizionali, come l'uso di cartelli, barricate e il monitoraggio manuale da parte dei supervisori, non sono sempre efficaci e spesso sottraggono i supervisori a compiti più critici.
L'intelligenza artificiale può intervenire per migliorare la sicurezza e ridurre il rischio di incidenti utilizzando un sistema di monitoraggio dei lavoratori basato sulla stima della posa. I modelli Ultralytics YOLO11 possono essere utilizzati per tracciare i movimenti e le posture dei lavoratori. È possibile individuare rapidamente qualsiasi rischio potenziale, come la presenza di lavoratori troppo vicini ad attrezzature pericolose o l'esecuzione di attività non corrette. Se viene rilevato un rischio, i supervisori possono essere avvisati o un allarme può allertare il lavoratore. Un sistema di monitoraggio continuo può rendere i cantieri più sicuri, essendo sempre alla ricerca di pericoli e proteggendo i lavoratori.
Gli agricoltori e i ricercatori possono utilizzare YOLO11 per studiare il movimento e il comportamento degli animali da allevamento, come i bovini, per individuare i primi segni di malattie come la zoppia. La zoppia è una condizione in cui un animale fatica a muoversi correttamente a causa del dolore alle zampe o ai piedi. Nei bovini, malattie come la zoppia non solo influiscono sulla loro salute e sul loro benessere, ma comportano anche problemi di produzione negli allevamenti. Gli studi dimostrano che la zoppia colpisce tra l'8% dei bovini nei sistemi basati sul pascolo e tra il 15% e il 30% nei sistemi confinati in tutto il settore lattiero-caseario mondiale. Individuare e affrontare precocemente la zoppia può contribuire a migliorare il benessere degli animali e a ridurre le perdite di produzione associate a questa condizione.
Le funzioni di stima della posa di YOLO11 possono aiutare gli allevatori a tracciare i modelli di andatura dell'animale e a identificare rapidamente eventuali anomalie che potrebbero segnalare problemi di salute, come problemi alle articolazioni o infezioni. L'individuazione precoce di questi problemi consente un trattamento più rapido, riducendo il disagio degli animali e aiutando gli allevatori a evitare perdite economiche.
I sistemi di monitoraggio dotati di intelligenza artificiale possono anche aiutare ad analizzare il comportamento a riposo, le interazioni sociali e i modelli di alimentazione. Gli allevatori possono anche utilizzare la stima della posa per ottenere osservazioni sui segni di stress o aggressività. Queste informazioni possono essere utilizzate per migliorare le condizioni di vita degli animali e aumentarne il benessere.
La stima delle pose può anche aiutare le persone a migliorare la propria postura in tempo reale mentre si allenano. Con YOLO11, gli istruttori di palestra e di yoga possono monitorare e seguire i movimenti del corpo delle persone che si allenano, concentrandosi su punti chiave come le articolazioni e gli arti per valutare la loro postura. I dati raccolti possono essere confrontati con le pose e le tecniche di allenamento ideali e gli istruttori possono ricevere avvisi se qualcuno esegue un movimento in modo scorretto, aiutando a prevenire gli infortuni.
Ad esempio, durante una lezione di yoga, la stima della posa può aiutare a monitorare se tutti gli studenti mantengono un equilibrio e un allineamento corretti. Le applicazioni mobili integrate con la computer vision e la stima della postura possono rendere il fitness più accessibile a chi si allena a casa o a chi non ha accesso a personal trainer. Questo feedback continuo in tempo reale aiuta gli utenti a migliorare la tecnica e a raggiungere gli obiettivi di fitness, riducendo al contempo il rischio di lesioni.
Ora che abbiamo esplorato il concetto di stima della posa e discusso alcune delle sue applicazioni. Vediamo come provare la stima della posa con il nuovo modello YOLO11. Per iniziare, ci sono due modi comodi per farlo: utilizzando il pacchetto Ultralytics Python o tramite Ultralytics HUB. Vediamo entrambe le opzioni.
L'esecuzione di un'inferenza comporta l'elaborazione da parte del modello YOLO11 di nuovi dati al di fuori dei suoi set di addestramento e l'utilizzo dei modelli appresi per fare previsioni sulla base di tali dati. È possibile eseguire inferenze attraverso il codice con il pacchetto Ultralytics di Python. Per iniziare è sufficiente installare il pacchetto Ultralytics utilizzando pip, conda o Docker. In caso di problemi durante l'installazione, la nostra Guida ai problemi comuni offre utili suggerimenti per la risoluzione dei problemi.
Una volta installato correttamente il pacchetto, il codice seguente spiega come caricare un modello e usarlo per prevedere le pose degli oggetti in un'immagine.
Supponiamo che si stia lavorando a un progetto di computer vision e che si disponga di un set di dati specifico per una particolare applicazione che prevede la stima della posa. In questo caso è possibile mettere a punto e addestrare un modello YOLO11 personalizzato per adattarlo alla propria applicazione. Ad esempio, è possibile utilizzare un set di dati di punti chiave per analizzare e comprendere la posa di una tigre nelle immagini, identificando caratteristiche chiave come la posizione degli arti, della testa e della coda.
È possibile utilizzare il seguente frammento di codice per caricare e addestrare un modello di stima della posa YOLO11. Il modello può essere costruito da una configurazione YAML, oppure si può caricare un modello pre-addestrato per l'addestramento. Questo script consente anche di trasferire i pesi e di avviare l'addestramento del modello utilizzando un set di dati specificato, come il set di dati COCO per la stima della posa.
Utilizzando il modello personalizzato appena addestrato, è possibile eseguire inferenze su immagini inedite relative alla soluzione di computer vision. Il modello addestrato può anche essere convertito in altri formati utilizzando la modalità di esportazione.
Finora abbiamo esaminato i metodi per utilizzare YOLO11 che richiedono alcune conoscenze di base di codifica. Se non è quello che state cercando o non avete familiarità con la codifica, c'è un'altra opzione: Ultralytics HUB. Ultralytics HUB è una piattaforma di facile utilizzo progettata per semplificare il processo di formazione e distribuzione dei modelli YOLO. HUB consente di gestire facilmente i dataset, di addestrare i modelli e di distribuirli senza bisogno di competenze tecniche.
Per eseguire inferenze sulle immagini, è possibile creare un account, navigare nella sezione 'Modelli' e scegliere il modello di stima della posa YOLO11 che interessa. Nella sezione di anteprima, è possibile caricare un'immagine e visualizzare i risultati della previsione, come mostrato di seguito.
Ultralytics YOLO11 offre soluzioni accurate e flessibili per compiti come la stima della posa in un'ampia gamma di applicazioni. Dal miglioramento della sicurezza dei lavoratori nei cantieri edili al monitoraggio della salute del bestiame e alla correzione della postura nelle sessioni di fitness, YOLO11 offre precisione e feedback in tempo reale grazie a una tecnologia avanzata di visione artificiale.
La sua versatilità, con molteplici varianti di modello e la possibilità di addestramento personalizzato per casi d'uso specifici, lo rende uno strumento molto prezioso per sviluppatori e aziende. Che si tratti di codificare con il pacchetto Ultralytics Python o di utilizzare Ultralytics HUB per un'implementazione più semplice, YOLO11 rende la stima della posa accessibile e d'impatto.
Per saperne di più, visitate il nostro repository GitHub e partecipate alla nostra comunità. Esplorate le applicazioni dell'IA nel settore manifatturiero e agricolo sulle nostre pagine dedicate alle soluzioni. 🚀
.webp)