姿勢推定とは何か、そしてどこで使用できるか？

誰かが猫背で座っていたり、胸を張って立っていたりするのを見ると、その人の姿勢が良いか自信なさげかは一目でわかります。誰かに説明してもらう必要はありません。なぜなら、私たちは時間をかけて、ボディランゲージを解釈することを自然と学んできたからです。

経験と観察を通じて、私たちの脳は人間を含むさまざまなオブジェクトの姿勢を認識することに非常に長けるようになりました。AIと、機械が世界からの視覚情報を解釈できるようにする分野であるcomputer visionの最近の進歩のおかげで、機械もこの能力を学習し、再現し始めています。

Pose estimationは、画像や動画を見ることで、人間やオブジェクトの位置と向きを機械が把握するのに役立つコンピュータビジョンのタスクです。関節や手足などの体上のキーポイントを特定することで、人や何かがどのように動いているかを理解します。

このテクノロジーは、フィットネス、ヘルスケア、アニメーションなどの分野で広く使用されています。たとえば職場環境では、従業員の姿勢をモニタリングし、安全やウェルネスの取り組みをサポートするために使用できます。Ultralytics YOLO11のようなコンピュータビジョンモデルにより、人間のポーズをリアルタイムで推定することが可能になります。

Fig 1。Ultralytics YOLO11 を使用して作業者の姿勢を監視する例。

本記事では、ポーズ推定とその仕組み、そしてそれが変化をもたらしている現実世界のユースケースについて詳しく見ていきます。それでは始めましょう！

ポーズ推定の進化#

ポーズ推定に関する研究は、1960年代後半から70年代にかけて始まりました。長年にわたり、このcomputer vision taskに対するアプローチは、基礎的な数学や幾何学から、人工知能主導のより高度な手法へと移行してきました。

初期の技術は、固定されたカメラアングルや既知の基準点に依存していました。その後、3Dモデルや特徴量マッチングを含むように進化しました。今日では、Ultralytics YOLO11 のようなディープラーニングモデルにより、画像や動画からリアルタイムで身体の位置を検出できるようになり、ポーズ推定はこれまで以上に高速かつ高精度になっています。

技術の向上に伴い、研究者たちは様々なオブジェクト、特に人間や動物のポーズを監視・追跡できることの潜在的な応用可能性に注目しました。ポーズ推定が特に重要なのは、それがAIツールに、これまで不可能だった方法で姿勢や動きを理解・測定させることを可能にするためです。

例えば、これによりコンピュータはハンズフリー操作のためのジェスチャーを認識したり、パフォーマンスを向上させるためにアスリートの動きを分析したり、ビデオゲームのリアルなアニメーションを動かしたり、患者の回復経過を追跡することでヘルスケアをサポートしたりすることが可能になります。

他のコンピュータビジョンタスクと何が違うのか？#

ポーズ推定は、object detectionやインスタンスセグメンテーションなどの他のコンピュータビジョンのタスクとは異なります。これらのタスクは、主に画像内のオブジェクトの特定と位置の特定に焦点を当てています。

たとえばオブジェクト検出では、人、車両、動物などのアイテムの周囲にバウンディングボックスを描画して、それらの存在と位置を示します。Instance segmentationは、ピクセルレベルで各オブジェクトの正確な形状を輪郭描画することにより、これをさらに一歩進めます。

しかし、これら二つの手法はいずれも「オブジェクトが何であるか」と「どこにあるか」に主に関心があり、オブジェクトがどのように配置されているか、あるいは何をしているかについての情報を提供しません。そこでポーズ推定が重要になります。

肘、膝、あるいは尾などの身体上のキーポイントを特定することで、ポーズ推定は姿勢と動きを解釈できます。これにより、3D空間での動きを含む、アクション、ジェスチャー、身体ダイナミクスをより深く理解することが可能になります。

ポーズ推定の仕組みを理解する#

Pose estimation modelsは一般的に、ボトムアップとトップダウンという2つの主要なアプローチに従います。ボトムアップアプローチでは、モデルはまず肘、膝、肩などの個々のキーポイントを検出し、それらをグループ化して、どの人またはオブジェクトに属しているかを把握します。対照的に、トップダウンアプローチでは、最初に各オブジェクト（画像内の人物など）を検出し、その特定オブジェクトのキーポイントを特定することから始まります。

Fig 2. ボトムアップとトップダウンのポーズ推定方法の比較。

Ultralytics YOLO11 などの新しいモデルは、両方のアプローチの利点を組み合わせています。手動でのグループ化のステップをスキップすることでボトムアップ方式の効率性を維持しつつ、人物の検出と姿勢推定を単一の効率的なプロセスで同時に実行することでトップ-ダウンシステムの精度も活かしています。

ポーズ推定のための Ultralytics YOLO11 のカスタムトレーニング#

ポーズ推定モデルの仕組みを詳しく見てきましたが、これらのモデルがどのようにして実際に様々なオブジェクトのポーズを推定する方法を学習するのか疑問に思うかもしれません。そこで、カスタムトレーニングという考え方が登場します。

カスタムトレーニングとは、独自のデータを使用して特定のキーポイントを認識するようにモデルをトレーニングすることを意味します。ゼロからモデルを構築するには、大量のラベル付き画像と多大な時間がかかるため、多くの人が転移学習を選択します。これには、COCO-Pose dataset で事前トレーニングされた Ultralytics YOLO11 姿勢推定モデルなどの、大規模なデータセットで既にトレーニングされたモデルから始めて、特定のタスクやユースケースに向けて独自のデータでファインチューニングすることが含まれます。

ヨガのポーズを扱うと仮定します。各ポーズにそのアクティビティ特有のキーポイントのラベルが付けられた画像を使用して、Ultralytics YOLO11 をファインチューニングできます。これを行うには、モデルが学習できるアノテーション付き画像のカスタム dataset が必要になります。

トレーニング中に、バッチサイズ（一度に処理される画像の数）、学習率（モデルが学習を更新する速さ）、エポック数（モデルがデータセットを循環する回数）などの設定を調整して精度を向上させることができます。これにより、特定のニーズに合わせてカスタマイズされたポーズ推定モデルを構築することがはるかに容易になります。

ポーズ推定の現実世界への応用#

ポーズ推定とは何か、そしてそれがどのように機能するかを説明しましたので、次はいくつかの現実世界のユースケースを詳しく見ていきましょう。

理学療法へのポーズ推定の活用#

ポーズ推定は、医療業界、特に理学療法の分野で信頼できるツールとして徐々に定着しつつあります。AIとコンピュータビジョンを使用することで、これらのシステムは姿勢や動きをリアルタイムで追跡し、理学療法士が提供するのと同様のフィードバックを行うことができます。

例えば、膝の手術から回復中の患者は、ポーズ推定システムを使用してリハビリ運動を正しく行っているかを確認できます。システムは不適切な動きを検知して改善のための提案を行い、患者が順調に回復し、怪我を防ぐのを助けることができます。

Fig 3。理学療法に Ultralytics YOLO11 を使用する例。

リハビリテーションを超えて、ポーズ推定はfitness appsにも取り入れられています。たとえば、自宅でワークアウトを行っている人は、アプリを使用してエクササイズ中のフォームを確認できます。アプリは、スクワットの角度を調整したり、デッドリフト中に背中がまっすぐになっていることを確認したりするなど、リアルタイムのフィードバックを提供できます。これにより、ユーザーはトレーナーを必要とせずに、フォームを改善し、怪我を防ぐことができます。

ポーズ推定により可能になったエンターテインメント用モーションキャプチャ#

ポーズ推定はエンターテインメントにおけるモーションキャプチャの仕組みを変え、よりシンプルで利用しやすいものにしました。以前のモーションキャプチャでは、人の体にマーカーを配置し、特別なカメラでそれらを追跡する必要があり、これは厄介でコストのかかるものでした。

現在、AIとコンピュータビジョンの進歩により、マーカーを必要とせずに、通常のcamerasとアルゴリズムを使用して体の動きを追跡できるようになり、リアルタイムであってもプロセスがより効率的で正確になっています。

Disney's AR (Augmented Reality) Poserはその優れた例です。この楽しいツールを使用すると、スマートフォンで写真を撮影し、拡張現実の中でデジタルキャラクターに自分のポーズをコピーさせることができます。写真内のポーズを分析し、それを3Dキャラクターに一致させることで機能し、楽しくパーソナライズされたARセルフィーを作成します。

Fig 4. ポーズ推定を使用して、ARキャラクターが人のポーズを模倣している様子。

動物ポーズ推定によって推進される社会行動研究#

動物の行動を研究することは、科学者が動物がどのようにコミュニケーションを取り、配偶者を見つけ、子を育て、集団で生活するかを理解するのに役立ちます。この知識は野生動物を保護し、自然界をより深く理解するために極めて重要です。

ポーズ推定により、動物にセンサーやタグを取り付けることなく、画像や動画を使用してtracking animalの動きや姿勢を追跡できるようになり、このプロセスが簡素化されます。これらのシステムは、ポーズを自動的にモニタリングし、毛づくろい、遊び、喧嘩などの行動に関する洞察を提供します。

これの興味深い例として、科学者が類人猿の行動を研究するためにポーズ推定を使用していることが挙げられます。実際、研究者たちは6種類の類人猿から71,000枚以上のラベル付き画像を含むOpenApePoseのようなデータセットをまとめました。

Fig 5. 類人猿のポーズ推定。

ポーズ推定の長所と短所#

ポーズ推定が様々な業界にもたらす主な利点をいくつか紹介します：

• Scalability: ポーズ推定システムは、スマートフォンから高度なカメラセットアップまで、幅広いデバイスにデプロイできるため、さまざまなユースケースや環境に対して非常に拡張性が高く、アクセスしやすいものになります。
• 費用対効果： ポーズ推定は通常のカメラに依存しており、高価なセンサーやタグを必要としないため、研究および商業アプリケーションの両方において、動きを追跡するためのより費用対効果の高いソリューションとなり得ます。
• 継続的なモニタリング： ポーズ推定システムは継続的なリアルタイム追跡を提供できるため、リハビリテーションにおける患者の回復経過や、野生での動物の行動追跡など、時間の経過に伴う変化を監視できます。

ポーズ推定の利点は様々な分野で明らかですが、考慮すべき課題もいくつか存在します。留意すべきいくつかの主要な制限を以下に示します：

• 汎用性の制限： 人間のデータセットで学習された多くのモデルは、特定のデータセットで再学習しない限り、動物や一般的ではない身体構造に対してはうまく汎用化できません。

• 環境の制限： 照明が不十分な場合、激しい動作によるブレ、または背景が雑然としている場合には、パフォーマンスが低下する可能性があります。

• オクルージョン（遮蔽）への高い感度： 身体の一部が隠れている場合やフレームから外れている場合、特に混雑したシーンや複数人の追跡では精度が低下する可能性があります。

重要なポイント#

ポーズ推定は初期の頃から長い道のりを経て、マーカーを使用するシステムから、Ultralytics YOLO11 のようなディープラーニングモデル駆動のインパクトのあるツールへと進化しました。理学療法の改善、インタラクティブな AR 体験の強化、野生生物研究の支援など、ポーズ推定は機械が動きや姿勢を理解する方法を変えています。テクノロジーが進化し続ける中で、その制限に対処することが、さらに多くの実用的な用途を引き出し、機械が私たちや他の生き物の動きを理解する能力を向上させるカギとなります。

AIに興味がありますか？コンピュータビジョンプロジェクトをすぐに開始するには、GitHub repositoryを探索し、our communityに参加し、our licensing optionsをご確認ください。ソリューションページで、AI in retailやcomputer vision in the logistics業界などのイノベーションについて詳しくご覧ください。