14 ottobre 2024
Scopri come utilizzare il modello Ultralytics YOLO11 per una stima accurata della posa. Tratteremo l'inferenza in tempo reale e l'addestramento di modelli personalizzati per varie applicazioni.
La ricerca relativa alla computer vision, una branca dell'intelligenza artificiale (IA), può essere fatta risalire agli anni '60. Tuttavia, è stato solo negli anni 2010, con l'ascesa del deep learning, che abbiamo assistito a importanti scoperte nel modo in cui le macchine comprendono le immagini. Uno degli ultimi progressi nella computer vision sono i modelli Ultralytics YOLO11 all'avanguardia. I modelli YOLO11, presentati per la prima volta all'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), supportano una serie di compiti di computer vision, inclusa la stima della posa.
La stima della posa può essere utilizzata per rilevare i punti chiave su una persona o 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 sportiva, il monitoraggio del comportamento animale e la robotica per aiutare le macchine a interpretare le azioni fisiche in tempo reale. Grazie alla sua maggiore precisione, efficienza e velocità rispetto ai modelli precedenti della serie YOLO (You Only Look Once), YOLO11 è adatto per attività di stima della posa in tempo reale.
In questo articolo, esploreremo cos'è la stima della posa, discuteremo alcune delle sue applicazioni e illustreremo come utilizzare YOLO11 con il pacchetto Python di Ultralytics per la stima della posa. Vedremo anche come utilizzare l'HUB di Ultralytics per provare YOLO11 e la stima della posa con pochi semplici clic. Iniziamo!
Prima di esaminare 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 deep learning come YOLO11 possono identificare, localizzare e tracciare i punti chiave su un determinato oggetto o persona. Per gli oggetti, questi punti chiave possono includere angoli, bordi o marcature superficiali distinte, mentre per gli esseri umani, questi punti chiave rappresentano le principali articolazioni 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 di oggetti. Mentre il rilevamento di oggetti localizza gli oggetti in un'immagine disegnando una casella attorno a essi, la stima della posa va oltre prevedendo le posizioni esatte dei punti chiave sull'oggetto.
Quando si tratta di stima della posa, ci sono due modi principali in cui funziona: 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 prima sul rilevamento degli oggetti e poi 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 la necessità di raggruppare manualmente i punti chiave. Allo stesso tempo, utilizza l'accuratezza del metodo top-down rilevando le persone e stimandone le pose in un unico passaggio.
Le versatili capacità di YOLO11 per la stima della posa aprono una vasta gamma di possibili applicazioni in molti settori. Diamo un'occhiata più da vicino ad alcuni casi d'uso della stima della posa di YOLO11.
La sicurezza è un aspetto importante di qualsiasi progetto di costruzione. Ciò è particolarmente vero, poiché statisticamente i cantieri edili registrano un numero maggiore di infortuni sul lavoro. Nel 2021, circa il 20% di tutti gli infortuni mortali sul lavoro si è verificato all'interno o in prossimità di cantieri edili. Con rischi quotidiani come attrezzature pesanti e sistemi elettrici, forti misure di sicurezza sono essenziali per proteggere i lavoratori. I metodi tradizionali come l'uso di segnali, barricate e il monitoraggio manuale da parte dei supervisori non sono sempre efficaci e spesso sottraggono i supervisori a compiti più critici.
L'IA può intervenire per migliorare la sicurezza e il rischio di incidenti può essere ridotto utilizzando un sistema di monitoraggio dei lavoratori basato sulla stima della posa. I modelli YOLO11 di Ultralytics possono essere utilizzati per tracciare i movimenti e le posture dei lavoratori. Eventuali pericoli potenziali, come lavoratori troppo vicini a attrezzature pericolose o che eseguono compiti in modo errato, possono essere individuati rapidamente. Se viene rilevato un rischio, i supervisori possono essere avvisati oppure un allarme può avvisare il lavoratore. Un sistema di monitoraggio continuo può rendere i cantieri più sicuri, vigilando costantemente sui pericoli e proteggendo i lavoratori.
Agricoltori e ricercatori possono utilizzare YOLO11 per studiare il movimento e il comportamento degli animali da allevamento, come i bovini, per rilevare 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 gambe o ai piedi. Nei bovini, malattie come la zoppia non solo influiscono sulla loro salute e sul loro benessere, ma portano anche a problemi di produzione negli allevamenti da latte. Gli studi dimostrano che la zoppia colpisce tra l'8% dei bovini nei sistemi basati sul pascolo e il 15%-30% nei sistemi confinati in tutto il settore lattiero-caseario globale. Rilevare 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 funzionalità di stima della posa di YOLO11 possono aiutare gli agricoltori a monitorare gli schemi di andatura degli animali e a identificare rapidamente eventuali anomalie che potrebbero segnalare problemi di salute, come problemi articolari o infezioni. L'individuazione precoce di questi problemi consente un trattamento più rapido, riducendo il disagio degli animali e aiutando gli agricoltori a evitare perdite economiche.
I sistemi di monitoraggio abilitati con Vision AI possono anche aiutare ad analizzare il comportamento a riposo, le interazioni sociali e le abitudini alimentari. Gli agricoltori possono anche utilizzare la stima della posa per ottenere osservazioni sui segni di stress o aggressività. Queste informazioni possono essere utilizzate per coltivare migliori condizioni di vita per gli animali e aumentare il loro benessere.
La stima della posa può anche aiutare le persone a migliorare la propria postura in tempo reale durante l'allenamento. Con YOLO11, gli istruttori di palestra e yoga possono monitorare e tracciare i movimenti del corpo delle persone che si allenano, concentrandosi su punti chiave come articolazioni e 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 sta eseguendo un movimento in modo errato, contribuendo a prevenire 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 posa possono rendere il fitness più accessibile per le persone che si allenano a casa o per coloro che non hanno accesso a personal trainer. Questo feedback continuo in tempo reale aiuta gli utenti a migliorare la propria tecnica e a raggiungere i propri obiettivi di fitness, riducendo al contempo il rischio di infortuni.
Ora che abbiamo esplorato cos'è la stima della posa e abbiamo discusso alcune delle sue applicazioni, diamo un'occhiata a come puoi provare la stima della posa con il nuovo modello YOLO11. Per iniziare, ci sono due modi convenienti per farlo: utilizzando il pacchetto Python Ultralytics o tramite Ultralytics HUB. Diamo un'occhiata a entrambe le opzioni.
L'esecuzione di un'inferenza comporta l'elaborazione di nuovi dati da parte del modello YOLO11 al di fuori dei suoi set di addestramento e l'utilizzo dei modelli appresi per fare previsioni basate su tali dati. È possibile eseguire inferenze tramite codice con il pacchetto Python Ultralytics. Tutto ciò che devi fare per iniziare è installare il pacchetto Ultralytics utilizzando pip, conda o Docker. Se riscontri difficoltà durante l'installazione, la nostra Guida ai problemi comuni offre utili suggerimenti per la risoluzione dei problemi.
Una volta installato correttamente il pacchetto, il seguente codice descrive come caricare un modello e usarlo per prevedere le pose degli oggetti in un'immagine.
Supponiamo che tu stia lavorando a un progetto di computer vision e che tu abbia uno specifico dataset per una particolare applicazione che coinvolge la stima della posa. Quindi puoi ottimizzare e addestrare un modello YOLO11 personalizzato per adattarlo alla tua applicazione. Ad esempio, puoi utilizzare un dataset di keypoint per analizzare e comprendere la posa di una tigre nelle immagini identificando le caratteristiche chiave come la posizione dei suoi arti, della testa e della coda.
Puoi 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 puoi caricare un modello pre-addestrato per l'addestramento. Questo script ti permette anche di trasferire i pesi e iniziare ad addestrare il modello utilizzando un set di dati specifico, 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 tua 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 programmazione. Se non è quello che stai cercando, o non hai familiarità con la programmazione, c'è un'altra opzione: Ultralytics HUB. Ultralytics HUB è una piattaforma intuitiva progettata per semplificare il processo di addestramento e distribuzione dei modelli YOLO. HUB ti consente di gestire facilmente i set di dati, addestrare i modelli e distribuirli senza la necessità di competenze tecniche.
Per eseguire inferenze sulle immagini, puoi creare un account, andare alla sezione "Modelli" e scegliere il modello di stima della posa YOLO11 a cui sei interessato. Nella sezione di anteprima, puoi caricare un'immagine e visualizzare i risultati della previsione come mostrato di seguito.
Ultralytics YOLO11 offre soluzioni accurate e flessibili per task come la pose estimation in un'ampia gamma di applicazioni. Dal miglioramento della sicurezza dei lavoratori nei cantieri edili al monitoraggio della salute del bestiame e all'assistenza con la correzione della postura nelle routine di fitness, YOLO11 offre precisione e feedback in tempo reale attraverso una tecnologia avanzata di computer vision.
La sua versatilità, con molteplici varianti di modello e la capacità di addestramento personalizzato per casi d'uso specifici, lo rende uno strumento molto prezioso per sviluppatori e aziende. Sia attraverso la codifica con il pacchetto Python Ultralytics, sia utilizzando Ultralytics HUB per una più facile implementazione, YOLO11 rende la pose estimation accessibile e di grande impatto.
Per saperne di più, visita il nostro repository GitHub e interagisci con la nostra community. Esplora le applicazioni dell'IA nella produzione e nell'agricoltura nelle nostre pagine dedicate alle soluzioni. 🚀
.webp)