ポーズ推定ツールの完全ガイド

人間は動きを直感的に読み取ります。誰かが前かがみになったり、頭を回したり、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。これは静かで、ほとんど無意識のうちに働く能力であり、人との関わり方や世界の探索方法を形作っています。

テクノロジーが日常生活でより大きな役割を果たすようになると、デバイスにも私たちと同じように自然に動きを理解してほしいと思うのは当然です。人工知能、特にディープラーニングに基づく技術の近年の進歩により、それが可能になりつつあります。特に、コンピュータービジョンは機械が画像や動画から意味を抽出できるようにし、この進歩を推進しています。

たとえば、姿勢推定は一般的なコンピュータービジョンタスクであり、画像や動画フレーム内で、あらかじめ定義された身体のキーポイント（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を固定された骨格定義に基づいて接続すると、簡略化された姿勢表現を作成できます。

Ultralytics YOLO11や近日公開予定のUltralytics YOLO26などのコンピュータービジョンモデルは、姿勢推定などのタスクに対応しています。これらのモデルは、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、安全モニタリング、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に活用できます。

図1. 姿勢推定にUltralytics YOLO11を使用する例(出典)

この記事では、姿勢推定ツールを詳しく取り上げ、姿勢推定の仕組みや用途、現在利用できる主要なモデルやライブラリをご紹介します。それでは始めましょう。

姿勢推定とは何ですか？#

姿勢推定は、人や物体が画像や動画の中でどのような姿勢にあるかをシステムが理解するためのコンピュータービジョン技術です。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、足首など、一貫性のあるランドマークの集合を予測します。

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示すスコアを出力します。次に、あらかじめ定義された骨格配置に基づいてキーポイントを接続し、簡単な姿勢表現を作成できます。

動画に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の経過に沿って対応付け、動きを推定できます。これにより、フォームのチェック、動作分析、ジェスチャーによる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. 姿勢推定の例(出典)

姿勢推定ツールが必要とされる理由#

人の動きには多くの情報が含まれています。人が体を曲げたり、手を伸ばしたり、重心を移動させたりする様子から、意図、負荷、疲労、さらには負傷のリスクまで読み取れることがあります。最近まで、このような詳細を捉えるには、通常、専用センサーやモーションキャプチャースーツ、管理された実験室環境が必要でした。

姿勢推定はこの状況を変えます。一般的な画像や動画から身体の主要なランドマークを抽出すれば、標準的なカメラを使ってコンピューターが動きを分析できます。その結果、実環境での動作分析がより利用しやすく、拡張可能で、実用的になります。

姿勢推定が効果を発揮する方法をいくつかご紹介します。

• より安全な職場：ビジョンを活用したシステムで、負傷が発生する前に、危険な姿勢、反復的な負荷、安全でない持ち上げ方を検出できます。
• フィットネスとスポーツのトレーニング向上：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、ウェアラブルデバイスなしでユーザーに即座に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：医療従事者は、簡単な動画記録を使って、回復の進捗、姿勢、可動域を遠隔から追跡できます。
• インタラクティブな体験：姿勢推定により、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、反映しやすくなります。

姿勢推定アルゴリズムの進化#

姿勢を推定するという考え方は、長年にわたって研究されてきました。初期のアプローチでは、単純な幾何学モデルや人手で設計したルールが使用され、通常は管理された環境でしか機能しませんでした。

たとえば、人物が固定位置で静止している場合は高い性能を発揮しても、実環境のシーンで歩いたり、向きを変えたり、物体と関わったりすると、うまく機能しなくなるシステムもあります。こうした手法は、自然な動き、カメラアングルの変化、雑然とした背景、一部の遮蔽への対応に苦労することがよくありました。

最新の姿勢推定では、ディープラーニングを利用してこれらの課題に対処します。ラベル付きの大規模データセットで畳み込みニューラルネットワークを学習させることで、モデルはさまざまな姿勢、人物、環境でキーポイントをより確実に検出するための視覚パターンを学習します。

事例が増えるほど、モデルの予測精度が向上し、新しいシーンへの汎化性能も高まります。この進歩により、姿勢推定は現在、職場のモニタリングや人間工学、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、幅広い実用的な用途に対応しています。

姿勢推定手法の種類#

姿勢推定には、環境や測定したい内容に応じていくつかの形式があります。主な種類は次のとおりです。

• 2D姿勢推定：この手法では、2次元画像または動画フレーム内で身体のキーポイントを検出します。一般的なカメラで利用でき、計算効率も高いため、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姿勢推定：画像座標に加えて奥行きを推定することで、3D姿勢推定は身体の動きを空間的に把握できます。スポーツ分析、リハビリテーション、生体力学、アニメーションなど、前後方向の動きが重要な場面で特に有用です。具体的には、3D人間姿勢推定は3D空間における関節位置と動きを捉え、2D投影で生じる曖昧さを軽減します。
• 単一人物の姿勢推定：これらのシステムは、一度に1人の人物を追跡するように設計されています。ガイド付きエクササイズアプリケーション、ビデオ通話、動作分析の設定など、対象者がはっきり見える管理環境または半管理環境で最も高い性能を発揮する傾向があります。
• 複数人物の姿勢推定：複数の人物がいるシーンを想定したこの手法では、複数の人物の姿勢を同時に検出して追跡します。人物が重なったり、互いに遮蔽したりする職場、ジム、公共空間、グループ活動など、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(出典)

人間の姿勢推定モデルの仕組み#

姿勢推定はさまざまな種類の物体に適用できますが、ここでは分かりやすくするために、人間の姿勢推定に焦点を当てます。

ほとんどの人間姿勢推定システムは、大量の画像や動画フレームにわたって身体の主要な部位にラベルを付けた注釈付きデータセットで学習されます。こうした事例を利用して、モデルは肩、肘、腰、膝、足首など、人間の身体のランドマークに関連する視覚パターンを学習し、新しいシーンでもキーポイントを正確に予測できるようになります。

もう一つの重要な要素はモデルの推論アーキテクチャであり、キーポイントの検出方法や、キーポイントを組み合わせて全身の姿勢を構成する方法を決定します。人物を先に検出し、各人物の領域内でキーポイントを推定するシステムもあれば、画像全体でキーポイントを検出してから人物ごとにグループ化するシステムもあります。新しい単一ステージ設計では、1回の処理で姿勢を予測でき、リアルタイム利用に向けて速度と精度のバランスを取れます。

次に、さまざまな姿勢推定アプローチを詳しく見ていきましょう。

ボトムアップ型姿勢推定#

ボトムアップ型アプローチでは、モデルが画像全体を確認し、まず頭、肩、肘、腰、膝、足首などの身体のキーポイントを検出します。この段階では、人物を分離しようとはしません。シーン全体から、姿勢の骨格で定義されたすべてのキーポイントまたは関節を検出します。

その後、システムは2段階目の処理でキーポイントを接続します。関連するキーポイントを結び付け、人物ごとに完全な骨格へとグループ化します。人物を先に検出する必要がないため、ボトムアップ型の手法は、人物が重なっていたり、サイズが異なっていたり、一部が隠れていたりする混雑したシーンで効果を発揮することがよくあります。

トップダウン型姿勢検出#

これに対し、トップダウン型システムは、まず画像内の人物をそれぞれ検出します。各人物を囲むバウンディングボックスを配置し、各ボックスを個別に分析する領域として扱います。

人物を切り分けた後、モデルはその領域内で身体のキーポイントを予測します。この段階的な構成は、シーン内の人物が少なく、それぞれがはっきり見える場合に特に高精度な結果を得られることがよくあります。

単一ステージ型またはハイブリッド型の姿勢推定#

単一ステージ型（ハイブリッド型とも呼ばれます）のモデルは、1回の処理で姿勢を予測します。最初に人物検出を実行し、次にキーポイント推定を行うのではなく、人物の位置と身体のキーポイントを同時に出力します。

すべての処理が単一のモジュール内で行われるため、これらのモデルはより高速で効率的なことが多く、ライブ動作追跡やモーションキャプチャーなどのリアルタイム用途に適しています。Ultralytics YOLO11などの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両立を目指しています。

姿勢推定モデルの学習と評価#

どのアプローチを使用する場合でも、姿勢推定モデルが実環境で信頼できるものになるには、慎重な学習とテストが必要です。通常、身体のキーポイントにラベルが付けられた大量の画像（場合によっては動画）から学習し、さまざまな姿勢、カメラアングル、環境に対応できるようにします。

よく知られている姿勢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の導入先の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、診療所など、対象環境から追加の画像を収集してラベル付けすることがよくあります。

図4. コンピュータービジョンを使用して推定したさまざまな姿勢(出典)

学習後、標準ベンチマークでモデルの性能を評価し、精度と堅牢性を測定するとともに、実環境での利用に向けた追加調整に役立てます。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。mAPは、予測した姿勢とラベル付きの正解データを比較し、さまざまな信頼度しきい値での性能を集約します。

多くの姿勢ベンチマークでは、予測姿勢と正解姿勢をObject Keypoint Similarity（OKS）を使って照合します。OKSは、人物のスケールや各キーポイントの一般的な位置特定の難しさなどの要因を考慮しながら、予測キーポイントと注釈付きキーポイントの近さを測定します。

姿勢モデルは、検出された人物と個々のキーポイントの信頼度スコアも出力します。これらのスコアはモデルの確信度を示し、予測の順位付けやフィルタリングに使用されます。遮蔽、モーションブラー、通常とは異なるカメラアングルなど、難しい条件では特に重要です。

人気の姿勢推定ツールとライブラリ#

現在、さまざまな姿勢推定ツールが利用でき、それぞれ速度、精度、使いやすさのバランスが異なります。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Vision AIモデルとして開発されたYOLO11は、Ultralytics YOLOv8などの従来モデルを基盤としています。姿勢推定を含むさまざまなコンピュータービジョンタスクに対応しながら、速度、精度、全体的な効率を向上させています。ノートPCからエッジデバイスまで、さまざまなプラットフォームで高い性能を発揮するYOLO11は、多くの実環境へのデプロイに適した選択肢です。
• Ultralytics YOLO26: 次世代の新しいモデルとして、優れた精度を維持しながら、より軽量、小型、高速になるように設計されています。リアルタイムでの利用と容易なデプロイを想定して構築されており、エッジデバイスから大規模システムまで、用途に応じたモデルサイズで、物体検出、インスタンスセグメンテーション、姿勢推定などのタスクに対応します。
• MediaPipe: コンピュータービジョンと機械学習の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、ウェブアプリ上で効率的に動作します。また、全身の姿勢推定、顔のランドマーク検出、手のトラッキングに対応した、すぐに使えるソリューションとモデルが含まれています。
• OpenPose: 複数人のキーポイント検出で広く知られる、エンドツーエンドのオープンソース姿勢推定システムです。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、動作分析でよく使用されています。
• MMPose: MMPoseは、OpenMMLabエコシステムのPyTorchベースの姿勢推定ツールキットです。多くのモデル実装、学習ユーティリティ、設定オプションを提供しており、実験や高度なカスタマイズに役立ちます。
• HRNetとAlphaPose: これらは比較的古い姿勢推定モデルですが、現在も研究で使用されています。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姿勢モデルアーキテクチャであり、キーポイントを正確に特定するのに役立ちます。AlphaPoseは広く使用されている複数人姿勢推定システムで、混雑したシーンや複雑なシーンで高い精度が必要な場合によく使われます。

姿勢分析と推定の実用例#

姿勢推定は、一般的な動画から有用な動作の知見を得るために、ますます活用されています。これらのシステムは、フレームごとに身体のキーポイントを追跡することで、カメラ映像から姿勢、動作、身体的な振る舞いを推測できるため、さまざまな実環境で活用できます。

たとえば、医療やリハビリテーションでは、姿勢トラッキングによって、治療や回復の過程で患者がどのように動くかを医療従事者が観察し、測定できます。一般的な動画記録から身体のランドマークを抽出することで、姿勢、可動域、全体的な動作パターンを経時的に評価できます。こうした測定は従来の臨床評価を支援し、最適化するほか、場合によってはウェアラブルセンサーや専用機器を使わずに進捗を追跡しやすくします。

同様に、スポーツや放送では、動画映像からアスリートの動きを直接分析するために姿勢推定を利用できます。興味深い例として、プロスポーツで審判判定や放送用グラフィックスに使用される、カメラベースのトラッキングシステムHawk-Eyeがあります。また、カメラ映像からアスリートの身体のキーポイントを推定し、骨格トラッキングも行います。

適切な姿勢推定ツールの選び方#

適切な姿勢推定ツールを選ぶには、まずコンピュータービジョンプロジェクトのニーズを把握する必要があります。リアルタイムの速度を重視するアプリケーションもあれば、より高い精度と詳細さを必要とするものもあります。

デプロイ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では通常、軽量で効率的なモデルが求められます。一方、大規模なモデルはサーバーやクラウド環境に適していることがよくあります。

さらに、使いやすさも重要な要素です。充実したドキュメント、スムーズなデプロイ、カスタム学習への対応は、プロジェクトを円滑に進めるのに役立ちます。

簡単に言えば、ツールごとに得意分野は異なります。たとえば、Ultralytics YOLO modelsは、多くの実環境での姿勢推定アプリケーションにおいて、速度、精度、デプロイのしやすさを実用的なバランスで提供します。

図5. Ultralytics YOLO11による動物の姿勢推定（出典）

重要なポイント#

姿勢推定は、画像や動画から身体のキーポイントを検出することで、コンピューターが人間の動きを理解するのに役立ちます。YOLO11やYOLO26のようなモデルにより、スポーツ、医療、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なります。モデルの高速化と高精度化が進むにつれ、多くのVision AIシステムに姿勢推定が一般的な機能として組み込まれると考えられます。

AIについて詳しく知りたいですか？コミュニティやGitHubリポジトリをご覧ください。ロボティクスにおけるAIや製造業におけるコンピュータービジョンについて、ソリューションページでご確認ください。ライセンスの選択肢を確認して、今すぐコンピュータービジョンの開発を始めましょう。