14 de outubro de 2024
Aprenda a usar o modelo Ultralytics YOLO11 para estimativa de pose precisa. Abordaremos a inferência em tempo real e o treinamento de modelos personalizados para diversas aplicações.
A pesquisa relacionada à visão computacional, um ramo da inteligência artificial (IA), pode ser rastreada até a década de 1960. No entanto, foi somente na década de 2010, com a ascensão do aprendizado profundo, que vimos grandes avanços em como as máquinas entendem as imagens. Um dos mais recentes avanços em visão computacional são os modelos de ponta Ultralytics YOLO11. Os modelos YOLO11, apresentados pela primeira vez no evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), suportam uma variedade de tarefas de visão computacional, incluindo a estimativa de pose.
A estimativa de pose pode ser usada para detectar pontos-chave em uma pessoa ou objeto em uma imagem ou vídeo para entender sua posição, postura ou movimento. É amplamente utilizada em aplicações como análise esportiva, monitoramento do comportamento animal e robótica para ajudar as máquinas a interpretar ações físicas em tempo real. Graças à sua precisão, eficiência e velocidade aprimoradas em relação aos modelos anteriores da série YOLO (You Only Look Once), o YOLO11 é adequado para tarefas de estimativa de pose em tempo real.
Neste artigo, exploraremos o que é estimativa de pose, discutiremos algumas de suas aplicações e mostraremos como você pode usar o YOLO11 com o pacote Ultralytics Python para estimativa de pose. Também veremos como você pode usar o Ultralytics HUB para experimentar o YOLO11 e a estimativa de pose em alguns cliques simples. Vamos começar!
Antes de mergulharmos em como usar o novo modelo Ultralytics YOLO11 para estimativa de pose, vamos entender melhor o que é estimativa de pose.
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 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 detecção de objetos. Enquanto a detecção de objetos 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.
Quando se trata de estimativa de pose, existem duas maneiras principais de funcionar: bottom-up e top-down. A abordagem bottom-up detecta pontos-chave individuais e os agrupa em esqueletos, enquanto a abordagem top-down se concentra primeiro em detectar objetos e, em seguida, estimar os pontos-chave dentro deles.
O YOLO11 combina os pontos fortes dos métodos top-down e bottom-up. Como a abordagem bottom-up, ele mantém as coisas simples e rápidas, sem a necessidade de agrupar os pontos-chave manualmente. Ao mesmo tempo, ele usa a precisão do método top-down, detectando pessoas e estimando suas poses em uma única etapa.
As capacidades versáteis do YOLO11 para estimativa de pose abrem uma ampla gama de aplicações possíveis em muitos setores. Vamos dar uma olhada mais de perto em alguns casos de uso de estimativa de pose do YOLO11.
A segurança é um aspeto importante de qualquer projeto de construção. Isto é especialmente verdade, uma vez que, estatisticamente, os locais de construção registam um maior número de lesões relacionadas com o trabalho. Em 2021, cerca de 20% de todas as lesões fatais relacionadas com o trabalho ocorreram em ou perto de locais de construção. Com riscos diários como equipamento pesado e sistemas elétricos, medidas de segurança rigorosas são essenciais para manter os trabalhadores seguros. Os métodos tradicionais, como a utilização de sinais, barricadas e monitorização manual por supervisores, nem sempre são eficazes e, muitas vezes, afastam os supervisores de tarefas mais críticas.
A IA pode intervir 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 usados para rastrear os movimentos e as posturas dos trabalhadores. Quaisquer perigos potenciais, como trabalhadores demasiado perto de equipamentos perigosos ou a executar tarefas incorretamente, podem ser rapidamente detetados. 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 locais de construção mais seguros, estando sempre atento aos perigos e a proteger os trabalhadores.
Os agricultores e os investigadores podem usar o YOLO11 para estudar o movimento e o comportamento de animais de quinta, como o gado, para detetar sinais precoces de doenças como a claudicação. A claudicação é uma condição em que um animal tem dificuldades em mover-se corretamente devido a dores nas pernas ou nos pés. No gado, doenças como a claudicação não só afetam a sua saúde e bem-estar, como também levam a problemas de produção nas explorações leiteiras. Estudos mostram que a claudicação afeta entre 8% do gado em sistemas de pastagem e 15% a 30% em sistemas confinados em toda a indústria leiteira global. 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 YOLO11 podem ajudar os agricultores a rastrear 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 ativados por IA de visão também podem ajudar a analisar o comportamento de repouso, as interações sociais e os padrões de alimentação. Os agricultores também podem usar a estimativa de pose para obter observações sobre sinais de stress ou agressão. Estes conhecimentos podem ser usados para cultivar melhores condições de vida para os animais e aumentar o seu bem-estar.
A estimativa de pose também pode ajudar as pessoas a melhorar a sua postura em tempo real enquanto se exercitam. Com o YOLO11, os instrutores de ginásio e de ioga podem monitorizar e rastrear os movimentos do corpo das pessoas que se exercitam, concentrando-se em pontos-chave como as articulações e os membros para avaliar a sua postura. Os dados recolhidos podem ser comparados com poses e técnicas de treino ideais, e os instrutores podem receber alertas se alguém estiver a executar um movimento incorretamente, ajudando a prevenir lesões.
Por exemplo, durante uma aula de ioga, a estimativa de pose pode ajudar a monitorizar se todos os alunos estão a manter o equilíbrio e o alinhamento adequados. As aplicações móveis integradas com visão computacional e estimativa de pose podem tornar o fitness mais acessível para pessoas que se exercitam em casa ou que não têm acesso a personal trainers. Este feedback contínuo em tempo real ajuda os utilizadores a melhorar a sua técnica e a atingir os seus objetivos de fitness, reduzindo ao mesmo tempo o risco de lesões.
Agora que explorámos o que é a estimativa de pose e discutimos algumas das suas aplicações, vamos ver como pode experimentar a estimativa de pose com o novo modelo YOLO11. Para começar, existem duas formas convenientes de o fazer: utilizando o pacote Python Ultralytics ou através do Ultralytics HUB. Vamos analisar ambas as opções.
Executar uma inferência envolve o modelo YOLO11 a processar novos dados fora dos seus conjuntos de treino e a usar os padrões que aprendeu para fazer previsões com base nesses dados. Pode executar inferências através de código com o pacote Python Ultralytics. Tudo o que precisa de fazer para começar é instalar o pacote Ultralytics usando pip, conda ou Docker. Se enfrentar algum desafio durante a instalação, o nosso Guia de Problemas Comuns oferece dicas úteis de resolução de problemas.
Depois de instalar o pacote com sucesso, o código seguinte descreve como carregar um modelo e usá-lo para prever poses de objetos numa imagem.
Digamos que está a trabalhar num projeto de visão computacional e que tem um conjunto de dados específico para uma aplicação específica que envolve estimativa de pose. Então, pode ajustar e treinar um modelo YOLO11 personalizado para se adequar à sua aplicação. Por exemplo, pode usar um conjunto de dados de pontos-chave para analisar e compreender a pose de um tigre em imagens, identificando características-chave como a posição dos seus membros, cabeça e cauda.
Pode usar o seguinte excerto de código para carregar e treinar um modelo de estimativa de pose YOLO11. O modelo pode ser construído a partir de uma configuração YAML, ou pode carregar um modelo pré-treinado para treino. Este script também permite transferir pesos e iniciar o treino do modelo usando um conjunto de dados especificado, como o conjunto de dados COCO para estimativa de pose.
Usando o modelo personalizado recém-treinado, pode executar inferências em imagens não vistas relacionadas com a sua solução de visão computacional. O modelo treinado também pode ser convertido para outros formatos usando o modo de exportação.
Até agora, analisamos métodos para usar o YOLO11 que exigem algum conhecimento básico de programação. Se não é isso que você procura, ou se não está familiarizado com programação, há outra opção: Ultralytics HUB. O Ultralytics HUB é uma plataforma amigável projetada para simplificar o processo de treinamento e implantação de modelos YOLO. O HUB permite que você gerencie facilmente conjuntos de dados, treine modelos e os implemente sem a necessidade de expertise técnica.
Para executar inferências em imagens, você pode criar uma conta, navegar até a seção 'Modelos' e escolher o modelo de estimativa de pose YOLO11 que lhe interessa. Na seção de visualização, você pode carregar uma imagem e visualizar os resultados da previsão, conforme mostrado abaixo.
O Ultralytics YOLO11 oferece soluções precisas e flexíveis para tarefas como estimativa de pose em uma ampla gama de aplicações. Desde a melhoria da segurança de trabalhadores em canteiros de obras até o monitoramento da saúde do gado e o auxílio na correção da postura em rotinas de exercícios, o YOLO11 traz precisão e feedback em tempo real por meio de tecnologia avançada de visão computacional.
Sua versatilidade, com múltiplas variantes de modelo e a capacidade de treinar sob medida para casos de uso específicos, o torna uma ferramenta muito valiosa tanto para desenvolvedores quanto para empresas. Seja por meio da programação com o pacote Python Ultralytics ou usando o Ultralytics HUB para uma implementação mais fácil, o YOLO11 torna a estimativa de pose acessível e impactante.
Para explorar mais, visite nosso repositório no GitHub e interaja com nossa comunidade. Explore aplicações de IA em manufatura e agricultura em nossas páginas de soluções. 🚀
.webp)