포즈 추정 기술이 키포인트를 활용해 track 방식을 알아보세요. 실제 적용 사례를 살펴보고, 빠르고 정확한 결과를 위한 Ultralytics 시작해 보세요.
자세 추정(Pose estimation)은 단순히 물체의 존재를 감지하는 것을 넘어 그 기하학적 구조와 물리적 방향을 이해하는 컴퓨터 비전 분야의 전문 기술입니다. 표준 물체 탐지가 대상 주위에 단순한 직사각형 상자를 그리는 반면, 자세 추정 기술은 인체의 관절(팔꿈치, 무릎, 어깨)이나 차량의 구조적 모서리처럼 특정 의미론적 지점( 키포인트)을 식별합니다. 이러한 랜드마크를 매핑함으로써 머신러닝 모델은 대상의 골격 표현을 재구성할 수 있으며, 이를 통해 시스템은 신체 언어, 움직임 역학, 그리고 2D 또는 3D 공간에서의 정확한 위치를 해석할 수 있습니다.
현대적인 자세 추정 기술은 정교한 딥러닝 아키텍처에 크게 의존하며, 시각적 데이터 처리를 위해 종종 컨볼루션 신경망(CNN)을 활용합니다. 알고리즘은 일반적으로 키포인트를 식별하기 위해 두 가지 주요 전략 중 하나를 따릅니다:
최첨단 모델인 YOLO26은 이러한 요구 사항을 균형 있게 조율하는 고급 엔드투엔드 아키텍처를 활용하여, 엣지 AI 장치 및 모바일 플랫폼에 배포하기에 적합한 고속 자세 추정 기능을 제공합니다.
컴퓨터 비전 워크플로우에서 자세 추정의 독보적인 가치를 이해하기 위해, 이를 다른 시각적 인식 작업과 구분하는 것이 유용합니다:
인간과 사물의 움직임을 디지털화하는 능력은 다양한 산업 분야에서 혁신적인 응용을 이끌어냈으며, 주석이 달린 키포인트의 대규모 데이터셋을 관리하기 위해 Ultralytics 같은 도구를 활용해 학습되는 경우가 많습니다.
의료 분야에서 인공지능은 원격으로 환자의 재활 상태를 모니터링하기 위해 자세 추정 기술을 활용합니다. 관절 각도와 가동 범위를 추적함으로써 자동화된 시스템은 환자가 집에서 물리 치료 운동을 정확하게 수행하도록 보장합니다. 이는 재부상의 위험을 줄이고, 고가의 실험실 장비 없이도 의료진이 회복 진행 상황을 정량화할 수 있게 합니다.
코치와 선수들은 스포츠 분석 을활용해 경기력을 최적화합니다. 자세 추정 모델은 골퍼의 스윙 플레인, 주자의 보폭 길이, 투수의 생체역학을 분석할 수 있으며, 기존 모션 캡처에 사용되던 방해가 되는 마커 슈트 없이도 가능합니다. 이를 통해 기술 향상을 위한 즉각적인 데이터 기반 피드백을 제공하고 과사용 부상을 예방합니다.
상업 환경에서 소매 시스템의 인공지능은 포즈 감지 기술을 활용해 고객 행동을 분석합니다. 예를 들어 높은 선반의 제품을 집으려는 동작이나 특정 통로에 오래 머무르는 행동 등을 파악하죠. 이러한 데이터는 물리적 행동과 구매 결정 간의 상관관계를 분석함으로써 매장 레이아웃 최적화와 재고 관리개선에 기여합니다.
현대적인 기술로 자세 추정 구현은 간단합니다. Python 프레임워크.
다음 예제는 사용 방법을 보여줍니다. ultralytics 사전 훈련된 모델을 로드하기 위한 패키지
YOLO26 모델 (후속 모델)
YOLO11이미지에서 detect 주요 지점을 detect .
from ultralytics import YOLO
# Load the YOLO26 pose model (nano version for speed)
model = YOLO("yolo26n-pose.pt")
# Perform inference on an image source
# The model identifies bounding boxes and specific keypoints (joints)
results = model("https://ultralytics.com/images/bus.jpg")
# Print the xy coordinates of detected keypoints
print(results[0].keypoints.xy)
# Visualize the skeletal results directly
results[0].show()
.webp)