Cách sử dụng Ultralytics YOLO11 để ước tính tư thế
Tìm hiểu cách sử dụng mô hình Ultralytics YOLO11 để ước tính tư thế (pose estimation) chính xác. Chúng ta sẽ đề cập đến suy luận thời gian thực và huấn luyện mô hình tùy chỉnh cho các ứng dụng khác nhau.
Nghiên cứu liên quan đến computer vision, một nhánh của trí tuệ nhân tạo (AI), có thể bắt nguồn từ những năm 1960. Tuy nhiên, phải đến những năm 2010, với sự trỗi dậy của deep learning, chúng ta mới chứng kiến những bước đột phá lớn trong cách machines understand images. Một trong những tiến bộ mới nhất trong computer vision là các model Ultralytics YOLO11 tiên tiến. Các YOLO11 models, lần đầu được giới thiệu tại annual hybrid event của Ultralytics, YOLO Vision 2024 (YV24), hỗ trợ nhiều computer vision tasks, bao gồm ước lượng tư thế (pose estimation).
Pose estimation có thể được sử dụng để detect key points trên một người hoặc đối tượng trong hình ảnh hoặc video nhằm hiểu rõ vị trí, tư thế hoặc chuyển động của họ. Công nghệ này được ứng dụng rộng rãi trong sports analytics, animal behavior monitoring và robotics để giúp máy móc diễn giải các hành động vật lý theo thời gian thực. Nhờ độ chính xác, hiệu suất và tốc độ được cải thiện so với các earlier models trong YOLO (You Only Look Once) series, YOLO11 rất phù hợp cho real-time pose estimation tasks.
Hình 1. Ví dụ về việc sử dụng Ultralytics YOLO11 để ước tính tư thế.
Trong bài viết này, chúng ta sẽ khám phá pose estimation là gì, thảo luận về một số ứng dụng của công nghệ này và tìm hiểu cách bạn có thể sử dụng YOLO11 với Ultralytics Python package để ước lượng tư thế. Chúng ta cũng sẽ xem xét cách sử dụng Ultralytics HUB để trải nghiệm YOLO11 và pose estimation chỉ với vài cú nhấp chuột đơn giản. Hãy cùng bắt đầu nhé!
Pose estimation là gì?#
Trước khi đi sâu vào cách sử dụng Ultralytics YOLO11 model mới cho việc ước lượng tư thế, hãy cùng tìm hiểu kỹ hơn về pose estimation.
Pose estimation là một kỹ thuật computer vision được sử dụng để phân tích tư thế của con người hoặc đối tượng trong hình ảnh hoặc video. Các mô hình deep learning như Ultralytics YOLO11 có thể nhận diện, định vị và theo dõi các key points trên một đối tượng hoặc con người cụ thể. Đối với các đối tượng, các key points này có thể bao gồm các góc, cạnh hoặc dấu hiệu bề mặt đặc trưng, trong khi đối với con người, các key points này đại diện cho các khớp chính như khuỷu tay, đầu gối hoặc vai.
Pose estimation có điểm độc đáo và phức tạp hơn khi so sánh với các tác vụ computer vision khác như object detection. Trong khi object detection định vị các đối tượng trong một hình ảnh bằng cách vẽ một hộp xung quanh chúng, pose estimation tiến xa hơn bằng cách dự đoán vị trí chính xác của các key points trên đối tượng.
Hình 2. Sử dụng Ultralytics YOLO11 để phát hiện và ước tính tư thế của con người trong văn phòng.
Khi nói đến pose estimation, có hai phương pháp hoạt động chính: từ dưới lên (bottom-up) và từ trên xuống (top-down). Cách tiếp cận bottom-up phát hiện các điểm đặc trưng riêng lẻ và nhóm chúng thành các bộ xương, trong khi cách tiếp cận top-down tập trung vào việc detecting objects trước rồi mới ước lượng các điểm đặc trưng bên trong chúng.
Ultralytics YOLO11 kết hợp thế mạnh của cả hai phương pháp top-down và bottom-up. Giống như phương pháp bottom-up, nó giữ cho mọi thứ đơn giản và nhanh chóng mà không cần nhóm các key points thủ công. Đồng thời, nó tận dụng độ chính xác của phương pháp top-down bằng cách phát hiện con người và estimating their poses trong một bước duy nhất.
Các trường hợp sử dụng pose estimation cho Ultralytics YOLO11#
Các khả năng linh hoạt của Ultralytics YOLO11 trong bài toán ước lượng tư thế (pose estimation) mở ra rất nhiều ứng dụng tiềm năng trong nhiều ngành công nghiệp. Hãy cùng xem xét kỹ hơn một số trường hợp sử dụng ước lượng tư thế của YOLO11.
Pose estimation thời gian thực với Ultralytics YOLO11: Cải thiện an toàn cho người lao động#
An toàn là một khía cạnh quan trọng trong bất kỳ dự án construction nào. Điều này đặc biệt đúng vì theo thống kê, các công trường xây dựng có số lượng tai nạn liên quan đến công việc cao hơn. Vào năm 2021, khoảng 20% tổng số fatal injuries liên quan đến công việc xảy ra tại hoặc gần các công trường xây dựng. Với các rủi ro hàng ngày như heavy equipment và hệ thống điện, các biện pháp an toàn vững chắc là điều cần thiết để bảo vệ người lao động. Các phương pháp truyền thống như sử dụng biển báo, rào chắn và giám sát thủ công bởi người giám sát không phải lúc nào cũng hiệu quả và thường khiến họ mất tập trung khỏi các nhiệm vụ quan trọng hơn.
AI có thể can thiệp để cải thiện an toàn và rủi ro tai nạn có thể được giảm thiểu bằng cách sử dụng hệ thống giám sát công nhân dựa trên pose estimation. Các model Ultralytics YOLO11 có thể được sử dụng để theo dõi chuyển động và tư thế của công nhân. Bất kỳ mối nguy hiểm tiềm ẩn nào như công nhân đứng quá gần thiết bị nguy hiểm hoặc thực hiện sai thao tác đều có thể được phát hiện nhanh chóng. Nếu phát hiện rủi ro, người giám sát có thể nhận được thông báo hoặc còi báo động có thể cảnh báo công nhân. Hệ thống giám sát liên tục có thể giúp công trường xây dựng an toàn hơn bằng cách luôn theo dõi các mỗi nguy hiểm và protecting workers.
Hình 3. Ví dụ về pose estimation trên công trường xây dựng sử dụng Ultralytics YOLO11.
Pose estimation với Ultralytics YOLO11 để giám sát vật nuôi#
Farmers và researchers có thể sử dụng Ultralytics YOLO11 để nghiên cứu chuyển động và behavior of farm animals, chẳng hạn như gia súc, nhằm phát hiện sớm các dấu hiệu bệnh tật như chứng què. Quẻ là tình trạng động vật di chuyển khó khăn do đau ở chân hoặc bàn chân. Ở gia súc, các bệnh như què không chỉ ảnh hưởng đến sức khỏe và phúc lợi của chúng mà còn dẫn đến các vấn đề về sản lượng trong các trang trại bò sữa. Các nghiên cứu cho thấy lameness ảnh hưởng từ 8% gia súc trong hệ thống chăn thả đến 15% - 30% trong hệ thống nuôi nhốt trên toàn ngành sữa toàn cầu. Việc detecting và xử lý sớm chứng què có thể giúp cải thiện animal welfare và giảm tổn thất sản lượng liên quan đến tình trạng này.
Các tính năng pose estimation của Ultralytics YOLO11 có thể giúp nông dân theo dõi các mẫu dáng đi của động vật và nhanh chóng xác định bất kỳ điểm bất thường nào có thể báo hiệu vấn đề sức khỏe, chẳng hạn như vấn đề về khớp hoặc nhiễm trùng. Phát hiện sớm các vấn đề này cho phép faster treatment, giảm bớt sự khó chịu cho động vật và helping farmers tránh tổn thất kinh tế.
Các hệ thống giám sát hỗ trợ bằng vision AI cũng có thể giúp phân tích hành vi nghỉ ngơi, tương tác xã hội và thói quen ăn uống. Nông dân cũng có thể sử dụng pose estimation để quan sát các dấu hiệu căng thẳng hoặc hung hăng. Những thông tin chi tiết này có thể được sử dụng để tạo điều kiện sống tốt hơn cho động vật và nâng cao phúc lợi cho chúng.
Hình 4. Hình ảnh minh họa về ước tính tư thế bò.
Các trường hợp sử dụng của Ultralytics YOLO11 trong ngành thể hình#
Pose estimation cũng có thể giúp mọi người cải thiện tư thế của họ theo thời gian thực khi tập luyện. Với Ultralytics YOLO11, các huấn luyện viên thể hình và yoga có thể giám sát và track the body movements của những người tập luyện, tập trung vào các key points như khớp và chi để đánh giá tư thế của họ. Data collected có thể được so sánh với các tư thế và kỹ thuật tập luyện lý tưởng, và các huấn luyện viên có thể nhận được cảnh báo nếu ai đó thực hiện động tác không chính xác, giúp ngăn ngừa chấn thương.
Fig 5. Sử dụng Pose Estimation để Phân tích Buổi Tập.
Ví dụ, trong một lớp học yoga, pose estimation có thể giúp giám sát xem tất cả students có duy trì sự cân bằng và căn chỉnh đúng cách hay không. Các ứng dụng di động tích hợp computer vision và pose estimation có thể giúp việc tập luyện fitness more accessible cho những người tập tại nhà hoặc những người không có điều kiện tiếp cận huấn luyện viên cá nhân. Phản hồi liên tục theo thời gian thực này giúp người dùng cải thiện kỹ thuật và đạt được fitness goals của họ đồng thời giảm nguy cơ chấn thương.
Thử nghiệm pose estimation thời gian thực với mô hình Ultralytics YOLO11#
Bây giờ chúng ta đã khám phá pose estimation là gì và thảo luận về một số ứng dụng của nó, hãy cùng xem cách bạn có thể dùng thử pose estimation với YOLO11 model mới. Để bắt đầu, có hai cách thuận tiện để làm điều này: sử dụng Ultralytics Python package hoặc thông qua Ultralytics HUB. Hãy cùng xem xét cả hai tùy chọn.
Chạy suy luận bằng Ultralytics YOLO11#
Việc chạy inference bao gồm việc YOLO11 model xử lý dữ liệu mới nằm ngoài các tập training của nó và sử dụng các mẫu mà nó đã học để đưa ra dự đoán dựa trên dữ liệu đó. Bạn có thể chạy inference thông qua mã nguồn với Ultralytics Python package. Tất cả những gì bạn cần làm để get started là cài đặt gói Ultralytics bằng pip, conda hoặc Docker. Nếu bạn gặp bất kỳ khó khăn nào trong quá trình cài đặt, Common Issues Guide của chúng tôi cung cấp các mẹo khắc phục sự cố hữu ích.
Sau khi cài đặt thành công package, đoạn code dưới đây sẽ phác thảo cách tải model và sử dụng nó để dự đoán tư thế của các vật thể trong hình ảnh.
Hình 6. Đoạn mã nguồn minh họa việc chạy suy luận sử dụng Ultralytics YOLO11.
Huấn luyện một model Ultralytics YOLO11 tùy chỉnh#
Giả sử bạn đang làm việc trong một computer vision project và bạn có một dataset cụ thể cho một ứng dụng liên quan đến pose estimation. Khi đó, bạn có thể fine-tune và train một custom YOLO11 model để phù hợp với ứng dụng của mình. Ví dụ, bạn có thể sử dụng một dataset of keypoints để phân tích và hiểu pose of a tiger trong hình ảnh bằng cách xác định các đặc điểm chính như vị trí của các chi, đầu và đuôi của nó.
Bạn có thể sử dụng đoạn mã nguồn sau để tải và huấn luyện một mô hình pose estimation Ultralytics YOLO11. Mô hình có thể được xây dựng từ một YAML configuration, hoặc bạn có thể tải một mô hình được huấn luyện trước để huấn luyện. Tập lệnh này cũng cho phép bạn chuyển trọng số và bắt đầu huấn luyện mô hình bằng một tập dữ liệu được chỉ định, chẳng hạn như COCO dataset cho pose estimation.
Hình 7. Huấn luyện tùy chỉnh Ultralytics YOLO11.
Sử dụng custom model vừa được train, bạn có thể chạy inference trên các hình ảnh chưa từng thấy trước đây liên quan đến computer vision solution của bạn. Model đã train cũng có thể được chuyển đổi sang các định dạng khác bằng cách sử dụng export mode.
Trải nghiệm YOLO11 trên Ultralytics HUB#
Cho đến nay, chúng ta đã xem xét các phương pháp sử dụng YOLO11 đòi hỏi một số kiến thức lập trình cơ bản. Nếu đó không phải là những gì bạn đang tìm kiếm hoặc bạn chưa quen với việc lập trình, thì vẫn có một lựa chọn khác: Ultralytics HUB. Ultralytics HUB là một nền tảng thân thiện với người dùng được thiết kế để đơn giản hóa quá trình train và deploy các YOLO model. HUB cho phép bạn dễ dàng quản lý dataset, train model và deploy chúng mà không cần chuyên môn kỹ thuật.
Để chạy suy luận trên hình ảnh, bạn có thể tạo một tài khoản, điều hướng đến phần 'Models' và chọn mô hình pose estimation Ultralytics YOLO11 mà bạn quan tâm. Trong phần xem trước, bạn có thể tải lên một hình ảnh và xem kết quả dự đoán như hiển thị bên dưới.
Hình 8. Pose Estimation trên Ultralytics HUB với YOLO11.
Những tiến bộ của Ultralytics YOLO11 trong phát hiện tư thế con người#
Ultralytics YOLO11 cung cấp các giải pháp chính xác và linh hoạt cho các tác vụ như pose estimation trên nhiều ứng dụng. Từ việc cải thiện an toàn cho người lao động tại công trường xây dựng đến giám sát sức khỏe gia súc và hỗ trợ điều chỉnh tư thế trong các bài tập thể hình, YOLO11 mang lại sự chính xác và phản hồi theo thời gian thực thông qua công nghệ computer vision tiên tiến.
Sự linh hoạt của nó, với nhiều biến thể model và khả năng huấn luyện tùy chỉnh cho các trường hợp sử dụng cụ thể, làm cho nó trở thành một công cụ rất giá trị cho cả các nhà phát triển và doanh nghiệp. Dù là thông qua việc viết code với package Python Ultralytics hay sử dụng Ultralytics HUB để triển khai dễ dàng hơn, YOLO11 đều làm cho việc ước tính tư thế trở nên dễ tiếp cận và đầy tác động.
Để khám phá thêm, hãy truy cập GitHub repository của chúng tôi và tương tác với community của chúng tôi. Khám phá các ứng dụng AI trong manufacturing và agriculture trên các trang giải pháp của chúng tôi. 🚀
