ポーズ推定ツールの究極ガイド

人間は本能的に動きを読み取ります。誰かが前かがみになったり、首を振ったり、腕を上げたりすると、その人が何をしているのかすぐに推測できます。これは、私たちが人々と関わり世界を探求する方法を形作る、静かでほとんど潜在意識的なスキルです。

テクノロジーが日常生活の大きな部分を占めるようになるにつれ、デバイスにも私たちと同じくらいスムーズに動きを理解してほしいと願うのは自然なことです。人工知能、特にディープラーニングに基づく近年の進歩が、それを可能にしています。とりわけ、コンピュータビジョンは、機械が画像や動画から意味を抽出するのを助け、この進歩を促進しています。

例えば、ポーズ推定は一般的なコンピュータビジョンのタスクであり、画像や動画フレーム内の定義済みの身体キーポイント（肩、肘、腰、膝など）の位置を予測します。これらのキーポイントは、固定されたスケルトンの定義を使用して接続され、単純化されたポーズ表現を形成することができます。

Ultralytics YOLO11や近日公開予定のUltralytics YOLO26のようなコンピュータビジョンモデルは、ポーズ推定などのタスクをサポートしており、フィットネスやスポーツにおけるフォームのフィードバック、安全監視、インタラクティブな拡張現実体験など、リアルタイムアプリケーションを強化するために使用できます。

図1：ポーズ推定にUltralytics YOLO11を使用する様子 (ソース)

この記事では、ポーズ推定ツールについて深く掘り下げ、ポーズ推定の仕組み、その活用場所、そして今日利用可能なトップクラスのモデルやライブラリのいくつかを見ていきます。それでは始めましょう！

Link to this sectionポーズ推定とは何ですか？#

ポーズ推定は、画像や動画の中で人や物体がどのように配置されているかをシステムが理解するのに役立つコンピュータビジョンの手法です。すべてのピクセルを均等に分析するのではなく、頭、肩、肘、腰、膝、足首といった一貫したランドマークのセットを予測します。

ほとんどのモデルは、これらのキーポイントの座標と、各予測が正しい可能性を反映するスコアを出力します。これらのキーポイントは、定義済みのスケルトンのレイアウトを使用して接続され、単純なポーズ表現を形成することができます。

動画でフレームごとに適用すると、得られたキーポイントを時間経過とともに対応付けて動きを推定できます。これにより、フォームチェック、動作分析、ジェスチャーベースのインタラクションなどのアプリケーションが可能になります。

図2：ポーズ推定の例 (ソース)

Link to this sectionポーズ推定ツールの必要性#

人間の動きには多くの情報が含まれています。人がどのように曲がったり、手を伸ばしたり、体重を移動させたりするかによって、意図、努力、疲労、さらには怪我のリスクまでもが明らかになることがあります。これまでは、そのレベルの詳細を捉えるには通常、特殊なセンサー、モーションキャプチャースーツ、または管理されたラボ環境が必要でした。

ポーズ推定はそれを変えます。通常の画像や動画から主要な身体ランドマークを抽出することで、コンピュータは標準的なカメラを使って動きを分析できるようになります。これにより、動作分析はよりアクセスしやすく、スケーラブルになり、現実世界の環境で実用的なものとなります。

ポーズ推定が影響をもたらす方法はいくつかあります：

• 安全な職場環境: ビジョン主導のシステムを使用して、怪我が発生する前に危険な姿勢、反復的な負担、または危険な持ち上げ技術を検出できます。
• より優れたフィットネスとスポーツトレーニング: ビジョンAIソリューションは、フォーム、バランス、技術をリアルタイムで評価し、ウェアラブルなしでユーザーに即時のフィードバックを提供できます。
• 医療とリハビリテーション: 臨床医は、単純な動画記録を使用して、遠隔で回復の進捗状況、姿勢、可動域を追跡できます。
• インタラクティブな体験: ポーズ推定により、デジタルアバターや没入型環境が人間の動きを正確に追跡し、反映することが容易になります。

Link to this sectionポーズ推定アルゴリズムの進化#

ポーズを推定するという考え方は長年存在しています。初期のアプローチでは単純な幾何学的モデルや手作業で作成されたルールが使用され、通常は管理された条件下でのみ機能していました。

例えば、システムは人が固定された位置で静止している場合にはうまく機能するかもしれませんが、歩き始めたり、向きを変えたり、現実世界のシーンで物体と相互作用したりすると機能しなくなることがありました。これらの手法は、自然な動き、カメラの角度の変化、背景の雑然さ、部分的な遮蔽にしばしば苦戦していました。

現代のポーズ推定は、ディープラーニングを利用してこれらの課題に対処しています。大規模なラベル付きデータセットで畳み込みニューラルネットワークをトレーニングすることで、モデルは視覚的なパターンを学習し、さまざまなポーズ、人、環境においてより確実にキーポイントを検出できるようになります。

より多くの例を用いることで、モデルはその予測を改善し、新しいシーンへの汎化能力を高めます。この進歩により、ポーズ推定は現在、職場監視や人間工学、コーチやアナリストがアスリートの動きを研究するスポーツ分析など、幅広い実用的なユースケースをサポートしています。

Link to this sectionポーズ推定技術の種類#

ポーズ推定には、設定や何を測定する必要があるかに応じて、いくつかの異なる形式があります。次に、遭遇する主な種類を挙げます：

• 2Dポーズ推定: このアプローチは、2次元の画像または動画フレーム内の身体キーポイントを検出します。標準的なカメラでうまく機能し、計算効率が高いため、基本的な動作追跡、姿勢分析、リアルタイムのフォームフィードバックなどのタスクに適しています。
• 3Dポーズ推定: 画像座標に加えて奥行きを推定することで、3Dポーズ推定は身体の動きを空間的に理解します。これは、スポーツ分析、リハビリテーション、バイオメカニクス、アニメーションなど、前後方向の動きが重要な場合に特に役立ちます。具体的には、3D人体ポーズ推定は3D空間での関節位置と動きをキャプチャし、2D投影で発生し得る曖昧さを低減します。
• 単一人物のポーズ推定: これらのシステムは、一度に1人を追跡するように設計されています。ガイド付きのエクササイズアプリケーション、ビデオ通話、モーション分析の設定など、被写体がはっきりと見える、制御されたまたは半制御された環境で最も優れたパフォーマンスを発揮する傾向があります。
• 多人数ポーズ推定: 複数の人がいるシーン向けに構築されたこのアプローチは、複数の個人のポーズを同時に検出および追跡します。被写体が重なったり遮蔽されたりする可能性のある職場、ジム、公共スペース、グループ活動などの混雑した環境で特に役立ちます。

図3：3D空間と2D画像空間における人間の動きの理解（Source）

Link to this section人体ポーズ推定モデルの仕組みを理解する#

ポーズ推定は多くの種類の物体に適用できますが、単純にするために人体ポーズ推定に焦点を当てましょう。

ほとんどの人体ポーズ推定システムは、画像や動画の膨大なコレクション全体で身体の主要な部位がラベル付けされた注釈付きデータセットでトレーニングされています。これらの例を使用して、モデルは肩、肘、腰、膝、足首といった人体ランドマークに関連する視覚パターンを学習するため、新しいシーンでキーポイントを正確に予測できます。

もう一つの重要な側面は、モデルの推論アーキテクチャであり、これがキーポイントを検出し、それらを完全なポーズに組み立てる方法を決定します。最初に各人を検出してからその人の領域内のキーポイントを推定するシステムもあれば、画像全体にわたってキーポイントを検出してからそれらを個々の人にグループ化するシステムもあります。新しいシングルステージ設計では、1回のパスでポーズを予測でき、リアルタイム使用のための速度と精度のバランスが取れています。

次に、さまざまなポーズ推定アプローチについて詳しく説明します。

Link to this sectionボトムアップ・ポーズ推定#

ボトムアップアプローチでは、モデルは画像全体を見て、まず頭、肩、肘、腰、膝、足首などの身体キーポイントを見つけます。この段階では、人を分離しようとはしていません。シーン全体にわたって、ポーズのスケルトンによって定義されたすべてのキーポイントまたは身体の関節を単純に検出しています。

その後、システムはドットをつなぐための2番目のステップを実行します。関連するキーポイントをリンクし、それらを人ごとに完全なスケルトンにグループ化します。最初に各人を検出する必要がないため、ボトムアップ手法は、人が重なったり、サイズが異なったり、部分的に隠れたりする混雑したシーンでうまく機能することがよくあります。

Link to this sectionトップダウン・ポーズ検出#

対照的に、トップダウンシステムは、まず画像内の各人を検出することから始まります。すべての個人の周囲にバウンディングボックスを配置し、各ボックスを分析対象の領域として扱います。

人が分離されると、モデルはその領域内の身体キーポイントを予測します。このステップバイステップの設定は、シーン内に少人数の人しかおらず、各人がはっきりと見える場合に、非常に正確な結果を生み出すことがよくあります。

Link to this sectionシングルステージまたはハイブリッド・ポーズ推定#

シングルステージ（ハイブリッドとも呼ばれる）モデルは、1回のパスでポーズを予測します。最初に人物検出を実行し、次にキーポイント推定を実行する代わりに、人物の位置と身体キーポイントを同時に出力します。

すべてが単一のモジュール内で行われるため、これらのモデルは多くの場合、より高速で効率的であり、ライブのモーション追跡やモーションキャプチャなどのリアルタイム使用に最適です。Ultralytics YOLO11のようなモデルはこの考え方に基づいて構築されており、速度と信頼性の高いキーポイント予測のバランスをとることを目指しています。

Link to this sectionポーズ推定モデルのトレーニングと評価#

どのようなアプローチを採用する場合でも、ポーズ推定モデルは、現実世界で信頼できるようになる前に、慎重にトレーニングおよびテストされる必要があります。通常、身体キーポイントにラベルが付けられた膨大な画像（および場合によっては動画）セットから学習し、さまざまなポーズ、カメラの角度、環境を処理するのに役立ちます。

よく知られているポーズ推定データセットには、COCO Keypoints、MPII Human Pose、CrowdPose、OCHumanなどがあります。これらのデータセットがモデルが展開先で直面する条件を反映していない場合、エンジニアは工場の現場、ジム、クリニックなど、対象となる環境から追加の画像を集めてラベル付けすることがよくあります。

図4：コンピュータビジョンを使用して推定されるさまざまなポーズ (ソース)

トレーニング後、モデルのパフォーマンスは標準的なベンチマークで評価され、精度と堅牢性を測定し、現実世界の使用に向けたさらなるチューニングの指針となります。結果は多くの場合、平均適合率（一般にmAPと呼ばれます）を使用して報告されます。これは、予測されたポーズをラベル付けされた正解データと比較することで、さまざまな信頼度閾値全体にわたるパフォーマンスを要約するものです。

多くのポーズベンチマークでは、Object Keypoint Similarity (OKS)を使用して、予測されたポーズが正解ポーズと照合されます。OKSは、人のスケールや各キーポイントの典型的なローカライズの難易度などの要因を考慮しながら、予測されたキーポイントがラベル付けされたキーポイントにどれだけ近いかを測定します。

ポーズモデルは、検出された人物と個々のキーポイントに対する信頼度スコアも出力します。これらのスコアはモデルの信頼性を反映しており、予測のランク付けやフィルタリングに使用されます。これは、遮蔽、モーションブラー、または異常なカメラ角度などの困難な条件下で特に重要です。

Link to this section人気のあるポーズ推定ツールとライブラリ#

今日、多くのポーズ推定ツールが利用可能であり、それぞれが速度、精度、使いやすさのバランスをとっています。最も広く使用されているツールとライブラリをいくつか紹介します：

• Ultralytics YOLO11: 最先端のオープンソースビジョンAIモデルとして開発されたYOLO11は、Ultralytics YOLOv8のような以前のモデルの上に構築されています。速度、精度、全体的な効率を向上させながら、ポーズ推定を含むさまざまなコンピュータビジョンのタスクをサポートしています。ノートパソコンからエッジデバイスまで、プラットフォーム全体で強力なパフォーマンスを発揮するため、YOLO11は多くの現実世界での展開において優れた選択肢です。
• Ultralytics YOLO26: この近日公開予定の次世代モデルは、強力な精度を維持しながら、より軽く、より小さく、より高速になるように設計されています。リアルタイム使用と容易な展開のために構築されており、エッジデバイスから大規模システムまであらゆるものに適したモデルサイズ全体で、物体検出、インスタンスセグメンテーション、ポーズ推定などのタスクをサポートします。
• MediaPipe: ビジョンおよび機械学習パイプラインを構築するためのクロスプラットフォームフレームワークです。軽量でモバイルデバイス、タブレット、Webアプリ上で効率的に動作し、全身のポーズ、顔のランドマーク、手の追跡のためのすぐに使用できるソリューションやモデルが含まれています。
• OpenPose: このエンドツーエンドのオープンソースポーズ推定システムは、多人数キーポイント検出で広く知られています。身体、手、顔のキーポイントを同時に推定でき、研究、アニメーション、モーション分析で一般的に使用されています。
• MMPose: MMPoseは、OpenMMLabエコシステムのPyTorchベースのポーズ推定ツールキットです。多くのモデルの実装、トレーニングユーティリティ、構成オプションを提供しており、実験や詳細なカスタマイズに役立ちます。
• HRNetおよびAlphaPose: これらは、現在も研究で使用されている古いポーズ推定モデルです。HRNetは、ネットワーク全体で高解像度の画像特徴を維持するポーズモデルアーキテクチャであり、キーポイントを正確にローカライズするのに役立ちます。AlphaPoseは、広く使用されている多人数ポーズ推定システムであり、混雑したシーンや複雑なシーンで強力な精度が必要な場合によく使用されます。

Link to this sectionポーズ分析と推定の現実世界への応用#

ポーズ推定は、通常の動画を有用な動きの洞察に変えるためにますます使用されています。フレームごとに身体キーポイントを追跡することで、これらのシステムはカメラフィードから姿勢、動き、身体行動を推測できるため、そのようなテクノロジーが多くの現実世界の環境で実用的になっています。

例えば、医療やリハビリテーションにおいて、ポーズ追跡は、セラピーや回復の過程で患者がどのように動くかを臨床医が見て測定するのに役立ちます。通常の動画記録から身体ランドマークを抽出することで、時間の経過とともに姿勢、可動域、全体的な動きのパターンを評価するために使用できます。これらの測定値は、従来の臨床評価をサポートおよび最適化し、場合によってはウェアラブルセンサーや特殊な機器を必要とせずに進捗状況を追跡しやすくすることができます。

同様に、スポーツや放送業界において、ポーズ推定は動画フィードから直接アスリートの動きを分析できます。興味深い例として、プロスポーツの審判や放送グラフィックに使用されているカメラベースの追跡システムであるHawk-Eyeがあります。これには、カメラビューからアスリートの身体キーポイントを推定することによるスケルトントラッキングも含まれています。

Link to this section適切なポーズ推定ツールの選択#

適切なポーズ推定ツールを選択するには、コンピュータビジョンプロジェクトのニーズを理解することから始まります。一部のアプリケーションではリアルタイムの速度が優先されますが、他のアプリケーションではより高い精度と詳細さが求められます。

展開先のデバイスも重要です。モバイルアプリやエッジデバイスには通常、軽量で効率的なモデルが必要ですが、大規模なモデルは多くの場合、サーバーやクラウド環境に適しています。

これに加えて、使いやすさも役割を果たす場合があります。優れたドキュメント、スムーズな展開、カスタムトレーニングのサポートは、プロジェクトを効率化できます。

簡単に言えば、ツールによって得意な分野が異なります。例えば、Ultralytics YOLOモデルは、多くの現実世界のポーズ推定アプリケーションに対して、速度、精度、展開の容易さの実用的なバランスを提供します。

図5：Ultralytics YOLO11を使用した動物ポーズ推定 (ソース)

Link to this section重要なポイント#

ポーズ推定は、画像や動画内の身体キーポイントを検出することで、コンピュータが人間の動きを理解するのを助けます。YOLO11やYOLO26のようなモデルは、スポーツ、ヘルスケア、職場の安全、インタラクティブな体験などの分野でリアルタイムアプリケーションを構築しやすくします。モデルがより高速かつ正確になり続けるにつれて、ポーズ推定は多くのビジョンAIシステムにおける一般的な機能になるでしょう。

AIについてもっと知りたいですか？私たちのコミュニティとGitHubリポジトリをチェックしてください。ロボティクスにおけるAIと製造業におけるコンピュータビジョンについて学ぶために、ソリューションページを探索してください。私たちのライセンスオプションを確認し、今日からコンピュータビジョンで構築を始めましょう！