Como usar o Ultralytics YOLO11 para estimativa de pose

Pesquisas relacionadas a computer vision, um ramo da inteligência artificial (IA), remontam 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 máquinas entendem imagens. Um dos avanços mais recentes em computer vision 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 série de computer vision tasks, incluindo 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 sports analytics, monitoramento de comportamento animal e robotics para ajudar as máquinas a interpretar ações físicas em tempo real. Graças à sua maior precisão, eficiência e velocidade em relação aos modelos anteriores na série YOLO (You Only Look Once), o YOLO11 é perfeitamente adequado para tarefas de estimativa de pose em tempo real.

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

Neste artigo, exploraremos o que é a estimativa de pose, discutiremos algumas de suas aplicações e veremos como você pode usar o YOLO11 com o pacote Python da Ultralytics para estimativa de pose. Também veremos como você pode usar o Ultralytics HUB para experimentar o YOLO11 e a estimativa de pose com apenas alguns cliques. Vamos começar!

Link to this sectionO que é estimativa de pose?#

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

A estimativa de pose é uma técnica de computer vision usada para analisar a pose de uma pessoa ou objeto em uma imagem ou vídeo. Modelos de deep learning como o YOLO11 podem identificar, localizar e rastrear pontos-chave em um objeto ou pessoa. Para objetos, esses pontos-chave podem incluir cantos, bordas ou marcas distintas na superfície, enquanto, para humanos, esses pontos-chave representam articulações principais como cotovelo, joelho ou ombro.

A estimativa de pose é única e mais complexa quando comparada a outras tarefas de computer vision, 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. Usando o YOLO11 para detectar e estimar as poses de pessoas em um escritório.

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 foca 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. Assim como a abordagem bottom-up, ele mantém as coisas simples e rápidas sem precisar agrupar pontos-chave manualmente. Ao mesmo tempo, ele utiliza a precisão do método top-down, detectando pessoas e estimando suas poses em uma única etapa.

Link to this sectionCasos de uso de estimativa de pose para YOLO11#

As capacidades versáteis do YOLO11 para estimativa de pose abrem uma ampla gama de aplicações possíveis em muitos setores. Vamos analisar mais de perto alguns casos de uso de estimativa de pose com o YOLO11.

Link to this sectionEstimativa de pose em tempo real com YOLO11: melhorando a segurança do trabalhador#

A segurança é um aspecto importante de qualquer projeto de construção. Isso é especialmente verdadeiro, já que, estatisticamente, canteiros de obras apresentam um número maior de lesões relacionadas ao trabalho. Em 2021, cerca de 20% de todas as fatal injuries ocorreram em ou perto de canteiros de obras. Com riscos diários como heavy equipment e sistemas elétricos, medidas de segurança fortes são essenciais para manter os trabalhadores protegidos. Métodos tradicionais, como o uso de sinais, barricadas e monitoramento 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 usando um sistema de monitoramento de trabalhadores baseado em estimativa de pose. Os modelos Ultralytics YOLO11 podem ser usados para rastrear os movimentos e posturas dos trabalhadores. Quaisquer perigos potenciais, como trabalhadores parados muito perto 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 protegendo os trabalhadores.

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

Link to this sectionEstimativa de pose com YOLO11 para monitoramento de gado#

Produtores rurais e pesquisadores podem usar o YOLO11 para estudar o movimento e o comportamento de animais de fazenda, como gado, para detectar sinais precoces de doenças, como a claudicação. A claudicação é uma condição em que o animal tem dificuldade para se mover corretamente devido à dor nas patas ou nos cascos. Em gado, doenças como a claudicação não afetam apenas sua saúde e bem-estar, mas também levam a problemas de produção em fazendas leiteiras. Estudos mostram que a claudicação afeta entre 8% dos bovinos em sistemas de pastagem e 15% a 30% em sistemas confinados na indústria leiteira global. 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 YOLO11 podem ajudar os produtores a rastrear os padrões de marcha dos animais e identificar rapidamente quaisquer anormalidades que possam sinalizar problemas de saúde, como problemas articulares ou infecções. Detectar esses problemas precocemente permite um tratamento mais rápido, reduzindo o desconforto dos animais e ajudando os produtores a evitar perdas econômicas.

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

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

Link to this sectionCasos de uso do YOLO11 na indústria fitness#

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

Fig 5. Usando 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 alunos estão mantendo o equilíbrio e o alinhamento adequados. Aplicativos móveis integrados com computer vision e estimativa de pose podem tornar o fitness mais acessível 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 sua técnica e alcançar seus objetivos de fitness enquanto reduzem o risco de lesões.

Link to this sectionExperimentando a estimativa de pose em tempo real com o modelo YOLO11#

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

Link to this sectionExecutando inferências usando YOLO11#

Executar uma inferência envolve o processamento de novos dados pelo modelo YOLO11 fora de seus conjuntos de treinamento, usando os padrões que ele aprendeu para fazer previsões baseadas nesses dados. Você pode executar inferências através de código com o pacote Python da Ultralytics. Tudo o que você precisa fazer para começar é instalar o pacote Ultralytics usando pip, conda ou Docker. Se você enfrentar algum desafio durante a instalação, nosso Guia de Problemas Comuns 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 mostrando como executar inferências usando o YOLO11.

Link to this sectionTreinando um modelo YOLO11 personalizado#

Digamos que você esteja trabalhando em um projeto de computer vision e tenha um dataset específico para uma aplicação particular envolvendo estimativa de pose. Então, você pode fazer o ajuste fino e treinar um modelo YOLO11 personalizado para atender à sua aplicação. Por exemplo, você pode usar um dataset de pontos-chave para analisar e entender a pose de um tigre em imagens identificando características importantes, como a posição de seus membros, cabeça e cauda.

Você pode usar o seguinte trecho 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 você pode carregar um modelo pré-treinado para treinamento. Este script também permite transferir pesos e iniciar o treinamento do modelo usando um dataset especificado, como o dataset COCO para estimativa de pose.

Fig 7. Treinamento personalizado do YOLO11.

Usando o novo modelo personalizado treinado, você pode executar inferências em imagens não vistas relacionadas à sua solução de computer vision. O modelo treinado também pode ser convertido para outros formatos usando o modo de exportação.

Link to this sectionExperimente o YOLO11 no Ultralytics HUB#

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

Para executar inferências em imagens, você pode criar uma conta, navegar até a seção 'Models' e escolher o modelo de estimativa de pose YOLO11 de seu interesse. Na seção de visualização, você pode fazer o upload de uma imagem e ver os resultados da previsão, conforme mostrado abaixo.

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

Link to this sectionAvanços do 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, visite nosso repositório GitHub e interaja com nossa comunidade. Explore aplicações de IA em fabricação e agricultura em nossas páginas de soluções. 🚀