Como utilizar o Ultralytics YOLO11 para estimativa de pose

A investigação relacionada com a visão computacional, um ramo da inteligência artificial (AI), remonta à década de 1960. No entanto, só na década de 2010, com o surgimento da aprendizagem profunda, assistimos a grandes avanços na forma como as máquinas compreendem imagens. Um dos mais recentes avanços na visão computacional são os modelos de vanguarda Ultralytics YOLO11. Os modelos YOLO11, apresentados pela primeira vez no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24), são compatíveis com várias tarefas de visão computacional, incluindo a estimativa de pose.

A estimativa de pose pode ser utilizada para detetar pontos-chave numa pessoa ou objeto numa imagem ou vídeo, de modo a compreender a sua posição, postura ou movimento. É amplamente utilizada em aplicações como análise desportiva, monitorização do comportamento animal e robótica, ajudando as máquinas a interpretar ações físicas em tempo real. Graças à sua maior precisão, eficiência e velocidade em comparação com modelos anteriores da série YOLO (Você Só Olha Uma Vez), o YOLO11 é ideal para tarefas de estimativa de pose em tempo real.

Fig. 1. Um exemplo da utilização do Ultralytics YOLO11 para estimativa de pose.

Neste artigo, vamos explorar o que é a estimativa de pose, abordar algumas das suas aplicações e explicar passo a passo como podes utilizar o YOLO11 com o pacote Python da Ultralytics para estimativa de pose. Também veremos como podes utilizar o Ultralytics HUB para experimentar o YOLO11 e a estimativa de pose com apenas alguns cliques. Vamos começar!

O que é a estimativa de pose?#

Antes de vermos como utilizar o novo modelo Ultralytics YOLO11 para estimativa de pose, vamos compreender melhor o que é a estimativa de pose.

A estimativa de pose é uma técnica de visão computacional utilizada para analisar a pose de uma pessoa ou objeto numa imagem ou vídeo. Modelos de deep learning como o Ultralytics YOLO11 podem identificar, localizar e acompanhar pontos-chave num determinado objeto ou pessoa. No caso dos objetos, estes pontos-chave podem incluir cantos, arestas ou marcas distintas na superfície, enquanto, no caso dos seres humanos, estes pontos-chave representam articulações principais, como o cotovelo, o joelho ou o ombro.

A estimativa de pose é distinta e mais complexa quando comparada com outras tarefas de visão computacional, como a deteção de objetos. Enquanto a deteção de objetos localiza objetos numa imagem desenhando uma caixa à sua volta, a estimativa de pose vai mais longe, prevendo as posições exatas dos pontos-chave no objeto.

Fig. 2. Utilização do Ultralytics YOLO11 para detetar e estimar as poses de pessoas num escritório.

No que diz respeito à estimativa de pose, existem duas formas principais de funcionamento: de baixo para cima e de cima para baixo. A abordagem de baixo para cima deteta pontos-chave individuais e agrupa-os em esqueletos, enquanto a abordagem de cima para baixo se concentra primeiro em detetar objetos e depois em estimar os pontos-chave no seu interior.

O Ultralytics YOLO11 combina os pontos fortes dos métodos de cima para baixo e de baixo para cima. Tal como a abordagem de baixo para cima, mantém o processo simples e rápido, sem ser necessário agrupar manualmente os pontos-chave. Ao mesmo tempo, utiliza a precisão do método de cima para baixo, detetando pessoas e estimando as suas poses numa única etapa.

Casos de utilização do Ultralytics YOLO11 para estimativa de pose#

As capacidades versáteis do Ultralytics YOLO11 para estimativa de pose permitem uma vasta gama de aplicações possíveis em muitos setores. Vamos analisar mais detalhadamente alguns casos de utilização da estimativa de pose com o YOLO11.

Estimativa de pose em tempo real com o Ultralytics YOLO11: melhorar a segurança dos trabalhadores#

A segurança é um aspeto importante de qualquer projeto de construção. Isto é especialmente verdade porque, estatisticamente, os estaleiros de construção registam um número mais elevado de acidentes de trabalho. Em 2021, cerca de 20% de todas as lesões mortais relacionadas com o trabalho ocorreram em estaleiros de construção ou nas suas proximidades. Com riscos diários como equipamento pesado e sistemas elétricos, são essenciais medidas de segurança rigorosas para manter os trabalhadores seguros. Os métodos tradicionais, como a utilização de sinais, barreiras e monitorização manual por supervisores, nem sempre são eficazes e muitas vezes afastam os supervisores de tarefas mais críticas.

A AI pode contribuir para melhorar a segurança, e o risco de acidentes pode ser reduzido através da utilização de um sistema de monitorização de trabalhadores baseado na estimativa de pose. Os modelos Ultralytics YOLO11 podem ser utilizados para acompanhar os movimentos e as posturas dos trabalhadores. Quaisquer perigos potenciais, como trabalhadores demasiado próximos de equipamento perigoso ou a executar tarefas incorretamente, podem ser identificados rapidamente. Se for detetado um risco, os supervisores podem ser notificados ou um alarme pode alertar o trabalhador. Um sistema de monitorização contínua pode tornar os estaleiros de construção mais seguros, mantendo-se sempre atento aos perigos e protegendo os trabalhadores.

Fig. 3. Um exemplo de estimativa de pose num estaleiro de construção utilizando o Ultralytics YOLO11.

Estimativa de pose com o Ultralytics YOLO11 para monitorização de gado#

Agricultores e investigadores podem utilizar o Ultralytics YOLO11 para estudar o movimento e o comportamento de animais de quinta, como o gado bovino, para detetar sinais precoces de doenças como a claudicação. A claudicação é uma condição em que um animal tem dificuldade em mover-se corretamente devido a dores nas pernas ou nos pés. No gado bovino, doenças como a claudicação não só afetam a saúde e o bem-estar dos animais, como também causam problemas de produção nas explorações leiteiras. Estudos mostram que a claudicação afeta entre 8% do gado em sistemas baseados em pastoreio e 15% a 30% em sistemas confinados em todo o setor leiteiro mundial. Detetar e tratar a claudicação precocemente pode ajudar a melhorar o bem-estar animal e a reduzir as perdas de produção associadas a esta condição.

As funcionalidades de estimativa de pose do Ultralytics YOLO11 podem ajudar os agricultores a acompanhar os padrões de marcha dos animais e a identificar rapidamente quaisquer anomalias que possam indicar problemas de saúde, como problemas nas articulações ou infeções. A deteção precoce destes problemas permite um tratamento mais rápido, reduzindo o desconforto dos animais e ajudando os agricultores a evitar perdas económicas.

Os sistemas de monitorização baseados em AI de visão também podem ajudar a analisar o comportamento de repouso, as interações sociais e os padrões de alimentação. Os agricultores podem ainda utilizar a estimativa de pose para obter informações sobre sinais de stress ou agressividade. Estas informações podem ser utilizadas para proporcionar melhores condições de vida aos animais e aumentar o seu bem-estar.

Fig. 4. Uma visualização da estimativa de pose de uma vaca.

Casos de utilização do Ultralytics YOLO11 no setor do fitness#

A estimativa de pose também pode ajudar as pessoas a melhorar a postura em tempo real durante o exercício. Com o Ultralytics YOLO11, instrutores de ginásio e de ioga podem monitorizar e acompanhar os movimentos corporais das pessoas que treinam, concentrando-se em pontos-chave como articulações e membros para avaliar a postura. Os dados recolhidos podem ser comparados com poses e técnicas de exercício ideais, e os instrutores podem receber alertas se alguém executar um movimento incorretamente, ajudando a prevenir lesões.

Fig. 5. Utilização da estimativa de pose para analisar um treino.

Por exemplo, durante uma aula de ioga, a estimativa de pose pode ajudar a monitorizar se todos os alunos mantêm o equilíbrio e o alinhamento corretos. As aplicações móveis integradas com visão computacional e estimativa de pose podem tornar o fitness mais acessível a pessoas que treinam em casa ou que não têm acesso a treinadores pessoais. Este feedback contínuo em tempo real ajuda os utilizadores a melhorar a técnica e a alcançar os seus objetivos de fitness, reduzindo simultaneamente o risco de lesões.

Experimentar a estimativa de pose em tempo real com o modelo Ultralytics YOLO11#

Agora que explorámos o que é a estimativa de pose e abordámos algumas das suas aplicações, vamos ver como podes experimentar a estimativa de pose com o novo modelo YOLO11. Para começar, existem duas formas convenientes de o fazer: utilizar o pacote Python da Ultralytics ou através do Ultralytics HUB. Vamos analisar ambas as opções.

Execução de inferências com o Ultralytics YOLO11#

Executar uma inferência implica que o modelo YOLO11 processe dados novos fora dos seus conjuntos de treino e utilize os padrões aprendidos para fazer previsões com base nesses dados. Podes executar inferências através de código com o pacote Python da Ultralytics. Para começar, só tens de instalar o pacote Ultralytics utilizando pip, conda ou Docker. Se encontrares dificuldades durante a instalação, o nosso Guia de problemas comuns oferece sugestões úteis para a resolução de problemas.

Depois de instalares o pacote com sucesso, o código seguinte mostra como carregar um modelo e utilizá-lo para prever as poses de objetos numa imagem.

Fig. 6. Um fragmento de código que demonstra a execução de inferências utilizando o Ultralytics YOLO11.

Treino de um modelo Ultralytics YOLO11 personalizado#

Imagina que estás a trabalhar num projeto de visão computacional e tens um conjunto de dados específico para uma determinada aplicação que envolve estimativa de pose. Nesse caso, podes fazer fine-tuning e treinar um modelo YOLO11 personalizado adaptado à tua aplicação. Por exemplo, podes utilizar um conjunto de dados de pontos-chave para analisar e compreender a pose de um tigre em imagens, identificando características importantes como a posição das patas, da cabeça e da cauda.

Podes utilizar o seguinte fragmento de código para carregar e treinar um modelo de estimativa de pose Ultralytics YOLO11. O modelo pode ser criado a partir de uma configuração YAML ou podes carregar um modelo pré-treinado para o treino. Este script também permite transferir pesos e começar a treinar o modelo utilizando um conjunto de dados especificado, como o conjunto de dados COCO para estimativa de pose.

Fig. 7. Treino personalizado do Ultralytics YOLO11.

Com o modelo personalizado recém-treinado, podes executar inferências em imagens não observadas relacionadas com a tua solução de visão computacional. O modelo treinado também pode ser convertido para outros formatos utilizando o modo de exportação.

Experimenta o YOLO11 no Ultralytics HUB#

Até agora, analisámos métodos para utilizar o YOLO11 que exigem alguns conhecimentos básicos de programação. Se não é isso que procuras ou não estás familiarizado com programação, existe outra opção: o Ultralytics HUB. O Ultralytics HUB é uma plataforma fácil de utilizar, concebida para simplificar o processo de treino e implementação de modelos YOLO. O HUB permite gerir facilmente conjuntos de dados, treinar modelos e implementá-los sem conhecimentos técnicos especializados.

Para executar inferências em imagens, podes criar uma conta, aceder à secção «Models» e escolher o modelo de estimativa de pose Ultralytics YOLO11 que te interessa. Na secção de pré-visualização, podes carregar uma imagem e ver os resultados da previsão, conforme apresentado abaixo.

Fig. 8. Estimativa de pose no Ultralytics HUB com YOLO11.

Avanços do Ultralytics YOLO11 na deteção de poses humanas#

O Ultralytics YOLO11 oferece soluções precisas e flexíveis para tarefas como a estimativa de pose numa vasta gama de aplicações. Desde melhorar a segurança dos trabalhadores em estaleiros de construção até monitorizar a saúde do gado e ajudar a corrigir a postura durante rotinas de fitness, o YOLO11 proporciona precisão e feedback em tempo real através de tecnologia avançada de visão computacional.

A sua versatilidade, com várias variantes de modelos e a possibilidade de realizar treino personalizado para casos de utilização específicos, torna-o uma ferramenta muito valiosa tanto para programadores como para empresas. Seja através de programação com o pacote Python da Ultralytics ou da utilização do Ultralytics HUB para uma implementação mais simples, o YOLO11 torna a estimativa de pose acessível e eficaz.

Para saberes mais, visita o nosso repositório no GitHub e participa na nossa comunidade. Explora aplicações de AI na indústria e na agricultura nas nossas páginas de soluções. 🚀