O que é estimativa de pose e onde ela pode ser usada?

Quando vês alguém curvado ou de pé, com os ombros para trás, é imediatamente claro se tem uma postura má ou confiante. Ninguém precisa de te explicar isso. Isto acontece porque, ao longo do tempo, aprendemos naturalmente a interpretar a linguagem corporal.

Através da experiência e da observação, os nossos cérebros tornaram-se muito bons a reconhecer a postura de vários objetos, incluindo humanos. Graças aos recentes avanços na inteligência artificial (IA) e na computer vision, um campo que permite às máquinas interpretar informação visual do mundo, as máquinas estão agora também a começar a aprender e a replicar esta capacidade.

Pose estimation é uma tarefa de computer vision que ajuda as máquinas a determinar a posição e a orientação de uma pessoa ou objeto através da análise de imagens ou vídeos. Para isso, identifica pontos-chave no corpo, como articulações e membros, para compreender como alguém, ou até mesmo algo, se está a mover.

Esta tecnologia está a ser amplamente utilizada em áreas como o fitness, os cuidados de saúde e a animação. Em ambientes de trabalho, por exemplo, pode ser utilizada para monitorizar a postura dos funcionários e apoiar iniciativas de segurança e bem-estar. Modelos de computer vision como Ultralytics YOLO11 tornam isto possível ao estimar posturas humanas em tempo real.

Fig 1. Um exemplo de uso do Ultralytics YOLO11 para monitorar a postura de trabalhadores.

Neste artigo, vamos analisar mais de perto a estimativa de pose e como funciona, juntamente com casos de uso no mundo real onde está a fazer a diferença. Vamos começar!

A evolução da estimativa de pose#

A investigação sobre pose estimation começou no final dos anos 1960 e 70. Ao longo dos anos, as abordagens a esta computer vision task passaram da matemática básica e da geometria para métodos mais avançados impulsionados pela inteligência artificial.

Inicialmente, as técnicas dependiam de ângulos de câmera fixos e pontos de referência conhecidos. Depois, evoluíram para incluir modelos 3D e correspondência de características. Hoje, modelos de deep learning como o Ultralytics YOLO11 podem detectar posições corporais em tempo real a partir de imagens ou vídeos, tornando a estimativa de pose mais rápida e precisa do que nunca.

À medida que a tecnologia melhorou, os investigadores viram as potenciais aplicações de poder monitorizar e seguir as poses de vários objetos, especialmente humanos e animais. A estimativa de pose é especialmente importante porque permite que as ferramentas de IA compreendam e meçam a postura e o movimento de formas que não eram possíveis antes.

Por exemplo, permite que os computadores reconheçam gestos para interação sem contacto manual, analisem os movimentos de atletas para melhorar o desempenho, potenciem animações realistas em videojogos e até apoiem os cuidados de saúde ao acompanhar o progresso da recuperação de pacientes.

Como é diferente de outras tarefas de visão computacional?#

Pose estimation é diferente de outras tarefas de computer vision como object detection e segmentação de instâncias. Estas tarefas concentram-se principalmente na identificação e localização de objetos dentro de uma imagem.

A deteção de objetos, por exemplo, desenha caixas delimitadoras à volta de itens como pessoas, veículos ou animais para indicar a sua presença e posição. A Instance segmentation vai um passo além, delineando a forma exata de cada objeto ao nível do píxel.

No entanto, ambos os métodos preocupam-se principalmente com o que é o objeto e onde ele está - não fornecem qualquer informação sobre como o objeto está posicionado ou o que pode estar a fazer. É aqui que a estimativa de pose se torna crucial.

Ao identificar pontos-chave no corpo, como cotovelos, joelhos ou até uma cauda, a estimativa de pose pode interpretar a postura e o movimento. Isto permite uma compreensão mais profunda de ações, gestos e dinâmicas corporais, incluindo o movimento no espaço 3D.

Compreender como funciona a estimativa de pose#

Os Pose estimation models seguem geralmente duas abordagens principais: bottom-up e top-down. Na abordagem bottom-up, o modelo deteta primeiro pontos-chave individuais, como cotovelos, joelhos ou ombros, e depois agrupa-os para determinar a que pessoa ou objeto pertencem. Em contrapartida, a abordagem top-down começa por detetar cada objeto primeiro (tal como uma pessoa na imagem) e depois localiza os pontos-chave para esse objeto específico.

Fig 2. Métodos de pose estimation bottom-up vs. top-down.

Alguns modelos mais recentes, como o Ultralytics YOLO11, combinam os benefícios de ambas as abordagens. Ele mantém a eficiência do método bottom-up ao ignorar a etapa de agrupamento manual, ao mesmo tempo em que aproveita a precisão dos sistemas top-down ao detectar pessoas e estimar suas poses de uma só vez - em um processo único e simplificado.

Treinamento personalizado do Ultralytics YOLO11 para estimativa de pose#

À medida que analisamos como funcionam os modelos de estimativa de pose, podes estar a perguntar-te: como é que estes modelos aprendem realmente a estimar a pose de diferentes objetos? É aí que entra a ideia de treino personalizado.

O treinamento personalizado significa ensinar um modelo a reconhecer pontos-chave específicos usando os teus próprios dados. Como construir um modelo do zero exige uma grande quantidade de imagens rotuladas e tempo significativo, muitas pessoas optam pelo transfer learning. Isso envolve começar com um modelo que já foi treinado em um grande conjunto de dados, como o modelo de estimativa de pose do Ultralytics YOLO11, que é pré-treinado no COCO-Pose dataset, e depois ajustá-lo com os teus próprios dados para uma tarefa ou caso de uso específico.

Digamos que estejas a trabalhar com poses de ioga - podes ajustar o Ultralytics YOLO11 usando imagens onde cada pose é rotulada com pontos-chave específicos dessa atividade. Para fazer isso, vais precisar de um dataset personalizado de imagens anotadas com o qual o modelo possa aprender.

Durante o treino, podes ajustar definições como batch size (o número de imagens processadas de uma vez), learning rate (quão rapidamente o modelo atualiza a sua aprendizagem) e épocas (quantas vezes o modelo percorre o conjunto de dados) para melhorar a precisão. Isto torna muito mais fácil construir modelos de estimativa de pose adaptados às tuas necessidades específicas.

Aplicações de estimativa de pose no mundo real#

Agora que discutimos o que é a estimativa de pose e como funciona, vamos observar mais de perto alguns dos seus casos de uso no mundo real.

Usar a estimativa de pose para fisioterapia#

A estimativa de pose está gradualmente a tornar-se uma ferramenta fiável na indústria da saúde, especialmente na fisioterapia. Usando IA e visão computacional, estes sistemas podem seguir a postura e movimentos em tempo real e fornecer feedback, semelhante ao que um fisioterapeuta ofereceria.

Por exemplo, um paciente a recuperar de uma cirurgia ao joelho pode usar um sistema de estimativa de pose para garantir que está a fazer os seus exercícios de reabilitação corretamente. O sistema pode detetar quaisquer movimentos incorretos e oferecer sugestões de melhoria, ajudando o paciente a manter o rumo e a evitar lesões.

Fig 3. Um exemplo de uso do Ultralytics YOLO11 para fisioterapia.

Para além da reabilitação, pose estimation está também a entrar nas fitness apps. Por exemplo, alguém a treinar em casa pode usar a aplicação para verificar a sua postura durante os exercícios. A aplicação pode dar feedback em tempo real, como ajustar o ângulo de um agachamento ou garantir que as costas estão diretas durante um levantamento terra (deadlift). Isto ajuda os utilizadores a melhorar a sua forma e a prevenir lesões sem precisarem de um treinador.

Captura de movimento para entretenimento ativada por estimativa de pose#

A estimativa de pose mudou a forma como a captura de movimento funciona no entretenimento, tornando-a mais simples e acessível. No passado, a captura de movimento exigia a colocação de marcadores no corpo de uma pessoa e o seu seguimento com câmaras especiais, o que podia ser complicado e caro.

Agora, com os avanços na IA e na computer vision, podemos usar cameras normais e algoritmos para rastrear movimentos corporais sem precisar de marcadores, tornando o processo mais eficiente e preciso, mesmo em tempo real.

Um excelente exemplo disso é o Disney's AR (Augmented Reality) Poser. Esta ferramenta divertida permite-te tirar uma fotografia com o teu telemóvel e fazer com que uma personagem digital copie a tua postura em realidade aumentada. Funciona analisando a tua postura na imagem e fazendo corresponder a uma personagem 3D, criando uma selfie de AR divertida e personalizada.

Fig 4. Uma personagem de AR imita a postura de uma pessoa utilizando pose estimation.

Investigação sobre comportamento social impulsionada pela estimativa de pose animal#

Estudar o comportamento animal ajuda os cientistas a compreender como os animais comunicam, encontram parceiros, cuidam das suas crias e vivem em grupo. Este conhecimento é vital para proteger a vida selvagem e obter uma compreensão mais profunda do mundo natural.

Pose estimation simplifica este processo ao tracking animal movimentos e postura através de imagens e vídeos, sem fixar sensores ou etiquetas aos animais. Estes sistemas podem monitorizar automaticamente as suas posturas, fornecendo informações sobre comportamentos como cuidar da higiene, brincar ou lutar.

Um exemplo interessante disto é o uso, por parte de cientistas, da estimativa de pose para estudar o comportamento dos símios. De facto, os investigadores compilaram conjuntos de dados como o OpenApePose, que contém mais de 71.000 imagens etiquetadas de seis espécies de símios.

Fig 5. Pose estimation de macacos.

Prós e contras da estimativa de pose#

Aqui estão alguns dos principais benefícios que a estimativa de pose pode trazer a várias indústrias:

• Scalability: Os sistemas de pose estimation podem ser implementados numa ampla gama de dispositivos, desde smartphones até configurações avançadas de câmaras, tornando-os altamente escaláveis e acessíveis para diferentes casos de uso e ambientes.
• Económico: Como a estimativa de pose depende de câmaras comuns e não requer sensores ou etiquetas caros, pode ser uma solução mais económica para seguir movimentos tanto em investigação como em aplicações comerciais.
• Monitorização contínua: Os sistemas de estimativa de pose podem fornecer seguimento contínuo em tempo real, permitindo a monitorização de alterações ao longo do tempo, seja para o progresso do paciente na reabilitação ou para seguir o comportamento animal na vida selvagem.

Embora as vantagens da estimativa de pose sejam claras em várias áreas, existem também alguns desafios a considerar. Aqui estão algumas limitações importantes a ter em conta:

• Generalização limitada: Muitos modelos treinados em conjuntos de dados humanos não generalizam bem para animais ou estruturas corporais pouco comuns sem re-treino em conjuntos de dados específicos.

• Limitações ambientais: O desempenho pode degradar-se sob má iluminação, desfoque de movimento rápido ou fundos desordenados.

• Alta sensibilidade à oclusão: A precisão pode cair quando partes do corpo estão bloqueadas ou fora de enquadramento, especialmente em cenas lotadas ou seguimento de várias pessoas.

Principais pontos#

A estimativa de pose percorreu um longo caminho desde os seus primeiros dias, evoluindo de sistemas que usavam marcadores para ferramentas impactantes impulsionadas por modelos de deep learning como o Ultralytics YOLO11. Seja melhorando a fisioterapia, alimentando experiências de AR interativas ou ajudando na pesquisa de vida selvagem, a estimativa de pose está mudando a forma como as máquinas entendem o movimento e a postura. À medida que a tecnologia continua avançando, superar suas limitações será fundamental para desbloquear usos ainda mais práticos e tornar as máquinas melhores em entender como nós e outros seres vivos nos movemos.

Tens curiosidade sobre IA? Explora o nosso GitHub repository, liga-te a our community e consulta our licensing options para dar início ao teu projeto de computer vision. Sabe mais sobre inovações como AI in retail e computer vision in the logistics indústria nas nossas páginas de soluções.