Como usar o Ultralytics YOLO11 para estimativa de pose

A pesquisa relacionada à computer vision, um ramo da inteligência artificial (IA), remonta à década de 1960. No entanto, foi apenas na década de 2010, com o surgimento do deep learning, que vimos grandes avanços na forma como as machines understand images. Um dos avanços mais recentes em computer vision são os modelos de ponta Ultralytics YOLO11. Os YOLO11 models, apresentados pela primeira vez no annual hybrid event da Ultralytics, o YOLO Vision 2024 (YV24), suportam uma variedade de computer vision tasks, incluindo a estimativa de pose.

A Pose estimation pode ser usada para detect key points em uma pessoa ou objeto em uma imagem ou vídeo para entender sua posição, postura ou movimento. É amplamente utilizada em aplicações como sports analytics, animal behavior monitoring e robotics para ajudar as máquinas a interpretar ações físicas em tempo real. Graças à sua precisão, eficiência e velocidade aprimoradas em relação aos earlier models da YOLO (You Only Look Once) series, o YOLO11 é ideal para real-time pose estimation tasks.

Fig 1. Um exemplo de como usar o Ultralytics YOLO11 para estimativa de pose.

Neste artigo, vamos explorar o que é a pose estimation, discutir algumas de suas aplicações e ver como podes usar o YOLO11 com o Ultralytics Python package para a estimativa de pose. Também vamos dar uma olhadela em como podes usar o Ultralytics HUB para experimentar o YOLO11 e a pose estimation com apenas alguns cliques simples. Vamos começar!

O que é estimativa de pose?#

Antes de mergulharmos em como usar o novo Ultralytics YOLO11 model para a estimativa de pose, vamos entender melhor o que é a estimativa de pose.

A estimativa de pose é uma técnica de visão computacional usada para analisar a pose de uma pessoa ou objeto em uma imagem ou vídeo. Modelos de aprendizado profundo como o Ultralytics YOLO11 podem identificar, localizar e rastrear pontos-chave em um determinado objeto ou pessoa. Para objetos, esses pontos-chave podem incluir cantos, bordas ou marcações de superfície distintas, enquanto para humanos, esses pontos-chave representam as principais articulações, como o cotovelo, o joelho ou o ombro.

A estimativa de pose é única e mais complexa quando comparada a outras tarefas de visão computacional, como a object detection. Enquanto a object detection localiza objetos em uma imagem desenhando uma caixa ao redor deles, a estimativa de pose vai além, prevendo as posições exatas dos pontos-chave no objeto.

Fig 2. Uso do Ultralytics YOLO11 para detectar e estimar as poses de pessoas em um escritório.

Quando se trata de estimativa de pose, existem duas maneiras principais de funcionamento: de baixo para cima (bottom-up) e de cima para baixo (top-down). A abordagem de baixo para cima detecta pontos-chave individuais e os agrupa em esqueletos, enquanto a abordagem de cima para baixo concentra-se primeiro em detecting objects e, em seguida, em estimar os pontos-chave dentro deles.

O Ultralytics YOLO11 combina os pontos fortes dos métodos top-down e bottom-up. Assim como a abordagem bottom-up, ele mantém as coisas simples e rápidas, sem a necessidade de agrupar pontos-chave manualmente. Ao mesmo tempo, ele utiliza a precisão do método top-down ao detectar pessoas e estimar suas poses em uma única etapa.

Casos de uso de estimativa de pose para o Ultralytics YOLO11#

As capacidades versáteis do Ultralytics YOLO11 para estimação de pose abrem uma ampla gama de aplicações possíveis em muitas indústrias. Vamos dar uma olhada mais de perto em alguns casos de uso de estimativa de pose do YOLO11.

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

A segurança é um aspecto importante de qualquer projeto de construction. Isto é especialmente verdade, uma vez que, estatisticamente, os canteiros de obras registam um maior número de lesões relacionadas ao trabalho. Em 2021, cerca de 20% de todas as fatal injuries relacionadas ao trabalho ocorreram em canteiros de obras ou perto deles. Com riscos diários como heavy equipment e sistemas elétricos, medidas de segurança rigorosas são essenciais para manter os trabalhadores seguros. Métodos tradicionais, como o uso de placas, barreiras e monitoramento manual por supervisores, nem sempre são eficazes e frequentemente afastam os supervisores de tarefas mais críticas.

A IA pode intervir para melhorar a segurança, e o risco de acidentes pode ser reduzido com o uso de um sistema de monitoramento de trabalhadores baseado em estimativa de pose. Os modelos Ultralytics YOLO11 podem ser usados para rastrear os movimentos e as posturas dos trabalhadores. Quaisquer perigos potenciais, como trabalhadores muito próximos de equipamentos perigosos ou realizando tarefas incorretamente, podem ser rapidamente identificados. Se um risco for detectado, os supervisores podem ser notificados ou um alarme pode alertar o trabalhador. Um sistema de monitoramento contínuo pode tornar os canteiros de obras mais seguros, estando sempre atento a perigos e protecting workers.

Fig 3. Um exemplo de estimativa de pose em um canteiro de obras usando o Ultralytics YOLO11.

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

Agricultores e pesquisadores podem usar o Ultralytics YOLO11 para estudar o movimento e o comportamento de animais de fazenda, como o gado, para detectar sinais precoces de doenças como a claudicação. A claudicação é uma condição em que um animal tem dificuldade para se mover adequadamente devido a dores nas pernas ou nos pés. No gado, doenças como a claudicação não apenas afetam sua saúde e bem-estar, mas também causam problemas de produção em fazendas leiteiras. Estudos mostram que a claudicação afeta entre 8% do gado em sistemas baseados em pastagem e 15% a 30% em sistemas confinados na indústria global de laticínios. Detectar e tratar a claudicação precocemente pode ajudar a melhorar o bem-estar animal e reduzir as perdas de produção associadas a essa condição.

Os recursos de estimativa de pose do Ultralytics YOLO11 podem ajudar os agricultores a rastrear os padrões de marcha do animal e identificar rapidamente quaisquer anormalidades que possam indicar problemas de saúde, como problemas nas articulações ou infecções. Identificar esses problemas precocemente permite um tratamento mais rápido, reduzindo o desconforto dos animais e ajudando os agricultores a evitar perdas econômicas.

Os sistemas de monitoramento habilitados por vision AI também podem ajudar a analisar o comportamento de descanso, as interações sociais e os padrões de alimentação. Os agricultores também podem usar a estimativa de pose para obter observações sobre sinais de estresse ou agressão. Esses insights podem ser usados para cultivar melhores condições de vida para os animais e aumentar o seu bem-estar.

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

Casos de uso do Ultralytics YOLO11 na indústria fitness#

A estimativa de pose também pode ajudar as pessoas a melhorarem sua postura em tempo real durante os exercícios. Com o Ultralytics YOLO11, instrutores de academia e de yoga podem monitorar e rastrear os movimentos corporais de quem está se exercitando, focando em pontos-chave como articulações e membros para avaliar a postura. Os dados coletados podem ser comparados com poses ideais e técnicas de treino, e os instrutores podem receber alertas se alguém estiver executando um movimento incorretamente, ajudando a prevenir lesões.

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

Por exemplo, durante uma aula de ioga, a estimativa de pose pode ajudar a monitorar se todos os students estão mantendo o equilíbrio e o alinhamento adequados. Aplicativos móveis integrados com visão computacional e estimativa de pose podem tornar o fitness more accessible para pessoas que treinam em casa ou que não têm acesso a personal trainers. Esse feedback contínuo em tempo real ajuda os usuários a melhorar a técnica e a alcançar seus fitness goals, reduzindo o risco de lesões.

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

Agora que exploramos o que é a estimativa de pose e discutimos algumas de suas aplicações, vamos ver como podes experimentar a estimativa de pose com o novo modelo YOLO11. Para começar, existem duas maneiras convenientes de fazer isso: usando o pacote Python da Ultralytics ou através do Ultralytics HUB. Vamos dar uma olhadela em ambas as opções.

Execução de inferências com o Ultralytics YOLO11#

Executar uma inference envolve o processamento de novos dados pelo modelo YOLO11 fora de seus conjuntos de training e o uso dos padrões aprendidos para fazer previsões com base nesses dados. Podes executar inferências através de código com o pacote Python da Ultralytics. Tudo o que precisas de fazer para get started é instalar o pacote Ultralytics usando pip, conda ou Docker. Se enfrentares algum desafio durante a instalação, o nosso Common Issues Guide oferece dicas úteis de solução de problemas.

Depois de instalar o pacote com sucesso, o código a seguir descreve como carregar um modelo e usá-lo para prever poses de objetos em uma imagem.

Fig 6. Um trecho de código demonstrando a execução de inferências usando o Ultralytics YOLO11.

Treino de um modelo Ultralytics YOLO11 personalizado#

Digamos que estás a trabalhar em um computer vision project e tens um dataset específico para uma aplicação particular que envolve a estimativa de pose. Podes então fine-tune e treinar um custom YOLO11 model para atender à tua aplicação. Por exemplo, podes usar um dataset of keypoints para analisar e entender a pose of a tiger em imagens, identificando características-chave como a posição de seus membros, cabeça e cauda.

Podes usar o seguinte trecho de código para carregar e treinar um modelo de estimativa de pose do Ultralytics YOLO11. O modelo pode ser construído a partir de uma configuração YAML, ou podes carregar um modelo pré-treinado para treinamento. Esse script também permite transferir pesos e iniciar o treinamento do modelo usando um conjunto de dados especificado, como o COCO dataset para estimativa de pose.

Fig 7. Treinamento personalizado do Ultralytics YOLO11.

Usando o novo modelo personalizado treinado, podes executar inferências em imagens inéditas relacionadas à tua computer vision solution. O modelo treinado também pode ser convertido para outros formatos usando o export mode.

Experimente o YOLO11 no Ultralytics HUB#

Até agora, analisamos métodos para usar o YOLO11 que exigem algum conhecimento básico de programação. Se não é isso que procuras, ou se não estás familiarizado com programação, há outra opção: o Ultralytics HUB. O Ultralytics HUB é uma plataforma amigável projetada para simplificar o processo de treinamento e implantação de modelos YOLO. O HUB permite-te gerenciar facilmente datasets, treinar modelos e implantá-los sem a necessidade de conhecimentos técnicos.

Para executar inferências em imagens, podes criar uma conta, navegar até a seção 'Models' e escolher o modelo de estimativa de pose do Ultralytics YOLO11 do teu interesse. Na seção de visualização, podes carregar uma imagem e ver os resultados da predição conforme mostrado abaixo.

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

Avanços do Ultralytics YOLO11 na detecção de pose humana#

O Ultralytics YOLO11 oferece soluções precisas e flexíveis para tarefas como estimativa de pose em uma ampla gama de aplicações. Desde melhorar a segurança dos trabalhadores em canteiros de obras até monitorar a saúde do gado e auxiliar na correção da postura em rotinas de exercícios, o YOLO11 traz precisão e feedback em tempo real por meio de tecnologia avançada de computer vision.

Sua versatilidade, com múltiplas variantes de modelo e a capacidade de treinamento personalizado para casos de uso específicos, torna-o uma ferramenta muito valiosa para desenvolvedores e empresas. Seja por meio da codificação com o pacote Python da Ultralytics ou usando o Ultralytics HUB para uma implementação mais fácil, o YOLO11 torna a estimativa de pose acessível e impactante.

Para explorar mais, visita o nosso GitHub repository e interage com a nossa community. Explora aplicações de IA em manufacturing e agriculture nas nossas páginas de soluções. 🚀