Como utilizar Ultralytics YOLO11 para estimativa de pose

As pesquisas relacionadas à visão computacional, um ramo da inteligência artificial (IA), remontam à década de 1960. No entanto, foi só na década de 2010, com a ascensão do aprendizado profundo, que vimos grandes avanços na forma como as máquinas entendem imagens. Um avanço notável na visão computacional é a família de modelos Ultralytics YOLO11 (sucedida desde então pelo Ultralytics YOLO26). Os modelos YOLO11, apresentados pela primeira vez no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24), oferecem suporte a várias tarefas de visão computacional, incluindo a estimativa de pose.

A estimativa de pose pode ser usada para detetar pontos-chave numa pessoa ou objeto em imagens ou vídeos, de modo a compreender a sua posição, postura ou movimento. É amplamente utilizada em aplicações como análise desportiva, monitorização do comportamento animal e robótica, para ajudar as máquinas a interpretar ações físicas em tempo real. Graças à sua maior precisão, eficiência e velocidade em comparação com os modelos anteriores da série YOLO (You Only Look Once), o YOLO11 é adequado para tarefas de estimativa de pose em tempo real.

Fig. 1. Exemplo de uso do Ultralytics YOLO11 para estimar poses.

Neste artigo, vamos explorar o que é a estimativa de pose, abordar algumas das suas aplicações e explicar como podes usar o YOLO11 com o pacote Ultralytics Python para estimar poses. Também vamos ver como podes experimentar o YOLO11 e a estimativa de pose no Ultralytics HUB (agora Ultralytics Platform) com apenas alguns cliques. Vamos começar!

O que é estimativa de pose?#

Antes de vermos como usar o Ultralytics YOLO11 para estimar poses, 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 numa imagem ou vídeo. Modelos de aprendizagem profunda como o Ultralytics YOLO11 conseguem identificar, localizar e acompanhar pontos-chave num determinado objeto ou pessoa. Nos objetos, estes pontos-chave podem incluir cantos, arestas ou marcas distintas na superfície; nos seres humanos, representam articulações importantes, como o cotovelo, o joelho ou o ombro.

A estimativa de pose é uma tarefa singular e mais complexa do que 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 e prevê 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.

A estimativa de pose funciona principalmente de duas formas: 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 das abordagens top-down e bottom-up. Assim como a abordagem bottom-up, ele mantém o processo simples e rápido, sem precisar agrupar os pontos-chave manualmente. Ao mesmo tempo, aproveita a precisão da abordagem top-down ao detectar pessoas e estimar suas poses em uma única etapa.

Casos de uso da estimativa de pose com Ultralytics YOLO11#

Os recursos versáteis do Ultralytics YOLO11 para estimativa de pose possibilitam uma ampla variedade de aplicações em diversos setores. Vamos analisar mais de perto alguns casos de uso da estimativa de pose com YOLO11.

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

A segurança é um aspeto importante de qualquer projeto de construção. Isto é especialmente importante porque os estaleiros de construção registam mais 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 maquinaria pesada e sistemas elétricos, são essenciais medidas de segurança rigorosas para proteger os trabalhadores. Os métodos tradicionais, como a utilização de sinalização e barreiras, bem como a monitorização manual por supervisores, nem sempre são eficazes e muitas vezes desviam os supervisores de tarefas mais importantes.

A IA pode ajudar a melhorar a segurança, e o risco de acidentes pode ser reduzido com um sistema de monitoramento de trabalhadores baseado na estimativa de pose. Os modelos Ultralytics YOLO11 podem ser usados para rastrear os movimentos e as posturas dos trabalhadores. Possíveis riscos, como trabalhadores muito próximos de equipamentos perigosos ou executando tarefas incorretamente, podem ser identificados rapidamente. 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 ao detectar riscos constantemente e proteger os trabalhadores.

Fig. 3. Exemplo de estimativa de pose em um canteiro de obras usando Ultralytics YOLO11.

Estimativa de pose com Ultralytics YOLO11 para monitorar animais de criação#

Os agricultores e investigadores podem usar o Ultralytics YOLO11 para estudar os movimentos e o comportamento dos animais de criação, como os bovinos, e detetar sinais precoces de doenças como a claudicação. A claudicação é uma condição em que um animal tem dificuldade em movimentar-se devido a dores nas patas ou nos pés. Nos bovinos, problemas como a claudicação não só afetam a saúde e o bem-estar dos animais, como também provocam problemas de produção nas explorações leiteiras. Estudos mostram que a claudicação afeta cerca de 8% dos bovinos em sistemas de pastoreio e entre 15% e 30% em sistemas confinados na indústria leiteira mundial. Detetar e tratar a claudicação precocemente pode melhorar o bem-estar animal e 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 anomalias que possam indicar problemas de saúde, como problemas nas articulações ou infeções. A deteção precoce destes problemas permite tratar os animais mais rapidamente, reduzindo o seu desconforto e ajudando os agricultores a evitar perdas económicas.

Os sistemas de monitorização com IA visual também podem ajudar a analisar o comportamento em repouso, as interações sociais e os padrões de alimentação. Os agricultores também podem usar a estimativa de pose para observar sinais de stress ou agressividade. Estas informações podem ser usadas para melhorar as condições de vida dos animais e promover o seu bem-estar.

Fig. 4. Visualização da estimativa de pose de uma vaca.

Casos de uso do Ultralytics YOLO11 no setor de condicionamento físico#

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

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

Por exemplo, durante uma aula de ioga, a estimativa de pose pode ajudar a verificar se todos os alunos mantêm o equilíbrio e o alinhamento corretos. As aplicações móveis integradas com visão computacional e estimativa de pose podem tornar a prática de exercício mais acessível a quem treina em casa ou não tem acesso a personal trainers. Este feedback contínuo e em tempo real ajuda os utilizadores a aperfeiçoar a técnica e a alcançar os seus objetivos de fitness, reduzindo o risco de lesões.

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

Agora que exploramos o que é a estimativa de pose e conversamos sobre algumas de suas aplicações, vamos ver como você pode experimentá-la com o YOLO11. Para começar, há duas maneiras práticas de fazer isso: usando o pacote Python da Ultralytics ou pelo Ultralytics HUB. Vamos conhecer as duas opções.

Executando inferências com o Ultralytics YOLO11#

Executar uma inferência implica que o modelo YOLO11 processe novos dados que não fazem parte dos conjuntos de treino e use os padrões aprendidos para fazer previsões com base nesses dados. Podes executar inferências através de código com o pacote Ultralytics Python. Para começar, basta instalares o pacote Ultralytics com pip, conda ou Docker. Se tiveres dificuldades durante a instalação, o nosso Guia de problemas comuns apresenta sugestões úteis para resolver problemas.

Depois de instalares o pacote com êxito, o código seguinte mostra como carregar um modelo de pose YOLO11 e usá-lo para prever as poses dos objetos numa imagem.

Fig. 6. Excerto de código que mostra como executar inferências com o Ultralytics YOLO11.

Treinando um modelo Ultralytics YOLO11 personalizado#

Digamos que você esteja trabalhando em um projeto de visão computacional e tenha um conjunto de dados específico para uma aplicação que envolva estimativa de pose. Nesse caso, você pode ajustar e treinar um modelo YOLO11 personalizado para atender às necessidades da sua aplicação. Por exemplo, você pode usar um conjunto de dados de pontos-chave para analisar e entender a pose de um tigre em imagens, identificando características importantes, como a posição das patas, da cabeça e da cauda.

Podes usar o seguinte excerto de código para carregar e treinar um modelo Ultralytics YOLO11 de estimativa de pose. Podes criar o modelo a partir de uma configuração YAML ou carregar um modelo pré-treinado para o treino. Este script também permite transferir pesos e começar a treinar o modelo com um conjunto de dados especificado, como o conjunto de dados COCO para estimativa de pose.

Fig. 7. Treinamento personalizado do Ultralytics YOLO11.

Com o modelo personalizado recém-treinado, podes executar inferências em imagens não vistas relacionadas com a tua solução de visão computacional. Também podes converter o modelo treinado para outros formatos através do modo de exportação.

Experimente o YOLO11 no Ultralytics HUB#

Até agora, vimos métodos para usar o YOLO11 que exigem alguns conhecimentos básicos de programação. Se não é isso que procuras ou não sabes programar, há outra opção: o Ultralytics HUB. O Ultralytics HUB é uma plataforma intuitiva concebida para simplificar o processo de treino e implementação de modelos YOLO. Com o HUB, podes gerir facilmente conjuntos de dados, treinar modelos e implementá-los sem conhecimentos técnicos.

Para executar inferências em imagens, cria uma conta, acede à secção «Models» e escolhe 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, como 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 variedade de aplicações. Desde melhorar a segurança dos trabalhadores em canteiros de obras até monitorar a saúde de animais de criação e ajudar a corrigir a postura durante exercícios físicos, o YOLO11 oferece precisão e feedback em tempo real com tecnologia avançada de visão computacional.

A sua versatilidade, com várias variantes do modelo e a possibilidade de treino personalizado para casos de utilização específicos, torna-o uma ferramenta valiosa tanto para programadores como para empresas. Quer recorras à programação com o pacote Ultralytics Python, quer uses o Ultralytics HUB para uma implementação mais simples, o YOLO11 torna a estimativa de pose acessível e eficaz.

Para saber mais, visita o nosso repositório do GitHub e participa na nossa comunidade. Explora aplicações de IA na indústria transformadora e na agricultura nas nossas páginas de soluções.