Hướng dẫn toàn diện về công cụ ước tính tư thế

Con người chúng ta đọc hiểu chuyển động một cách tự nhiên. Khi ai đó nghiêng người về phía trước, quay đầu hoặc giơ tay, bạn có thể lập tức suy đoán họ đang làm gì. Đây là một kỹ năng thầm lặng, gần như tiềm thức, định hình cách chúng ta tương tác với mọi người và khám phá thế giới.

Khi công nghệ ngày càng trở thành một phần lớn hơn trong cuộc sống hằng ngày, việc mong muốn các thiết bị hiểu chuyển động tự nhiên như chúng ta là điều dễ hiểu. Những tiến bộ gần đây trong trí tuệ nhân tạo, đặc biệt là các tiến bộ dựa trên deep learning, đang biến điều đó thành hiện thực. Cụ thể, thị giác máy tính giúp máy móc trích xuất ý nghĩa từ hình ảnh và video, đồng thời thúc đẩy tiến bộ này.

Ví dụ, ước lượng tư thế là tác vụ thị giác máy tính phổ biến, dự đoán vị trí các keypoint cơ thể được xác định trước (như vai, khuỷu tay, hông và đầu gối) trong ảnh hoặc frame video. Có thể nối các keypoint này bằng một định nghĩa skeleton cố định để tạo biểu diễn tư thế đơn giản hóa.

Các model thị giác máy tính như Ultralytics YOLO11 và Ultralytics YOLO26 (hiện đã phát hành) hỗ trợ các tác vụ như ước lượng tư thế và có thể cung cấp năng lực cho ứng dụng thời gian thực, bao gồm phản hồi về tư thế trong thể hình và thể thao, giám sát an toàn và trải nghiệm thực tế tăng cường tương tác.

Hình 1. Khám phá cách sử dụng Ultralytics YOLO11 để ước tính tư thế (Nguồn)

Trong bài viết này, chúng ta sẽ tìm hiểu sâu về các công cụ ước lượng tư thế, cách thức hoạt động, các ứng dụng và một số model, thư viện hàng đầu hiện có.

Ước tính tư thế là gì?#

Ước tính tư thế là một kỹ thuật thị giác máy tính giúp hệ thống hiểu vị trí của người hoặc vật thể trong ảnh hoặc video. Thay vì phân tích mọi pixel như nhau, kỹ thuật này dự đoán một tập hợp các điểm mốc nhất quán, chẳng hạn như đầu, vai, khuỷu tay, hông, đầu gối và mắt cá chân.

Hầu hết các model xuất ra tọa độ của những keypoint này cùng một điểm số thể hiện khả năng mỗi dự đoán là chính xác. Sau đó, các keypoint có thể được nối với nhau theo bố cục khung xương định sẵn để tạo thành biểu diễn tư thế đơn giản.

Khi được áp dụng trên từng khung hình video, các keypoint thu được có thể được liên kết theo thời gian để ước tính chuyển động. Điều này hỗ trợ các ứng dụng như kiểm tra tư thế, phân tích chuyển động và tương tác bằng cử chỉ.

Hình 2. Ví dụ về ước tính tư thế (Nguồn)

Nhu cầu về các công cụ ước tính tư thế#

Chuyển động của con người chứa rất nhiều thông tin. Cách một người cúi xuống, với tay hoặc dồn trọng lượng cơ thể có thể bộc lộ ý định, mức độ gắng sức, sự mệt mỏi hoặc thậm chí nguy cơ chấn thương. Cho đến gần đây, việc thu thập mức độ chi tiết như vậy thường đòi hỏi cảm biến chuyên dụng, bộ đồ ghi lại chuyển động hoặc môi trường phòng thí nghiệm được kiểm soát.

Ước tính tư thế đã thay đổi điều đó. Trích xuất các điểm mốc chính trên cơ thể từ ảnh và video thông thường cho phép máy tính phân tích chuyển động bằng camera tiêu chuẩn. Nhờ đó, việc phân tích chuyển động trở nên dễ tiếp cận, có khả năng mở rộng và thiết thực hơn trong các bối cảnh thực tế.

Dưới đây là một số cách ước tính tư thế có thể tạo ra tác động:

• Nơi làm việc an toàn hơn: Các hệ thống dựa trên thị giác có thể được dùng để phát hiện tư thế nguy hiểm, chấn thương do căng cơ lặp đi lặp lại hoặc kỹ thuật nâng vật không an toàn trước khi xảy ra thương tích.
• Cải thiện việc tập luyện thể hình và thể thao: Các giải pháp AI thị giác có thể đánh giá tư thế, khả năng giữ thăng bằng và kỹ thuật theo thời gian thực, cung cấp phản hồi tức thì cho người dùng mà không cần thiết bị đeo.
• Chăm sóc sức khỏe và phục hồi chức năng: Bác sĩ lâm sàng có thể theo dõi từ xa tiến trình hồi phục, tư thế và phạm vi chuyển động bằng các video ghi hình đơn giản.
• Trải nghiệm tương tác: Ước tính tư thế giúp avatar kỹ thuật số và môi trường nhập vai theo dõi, tái hiện chính xác chuyển động của con người dễ dàng hơn.

Quá trình phát triển của các thuật toán ước tính tư thế#

Ý tưởng ước tính tư thế đã tồn tại từ nhiều năm nay. Các phương pháp ban đầu sử dụng mô hình hình học đơn giản và quy tắc được thiết kế thủ công, đồng thời thường chỉ hoạt động trong điều kiện được kiểm soát.

Ví dụ, một hệ thống có thể hoạt động tốt khi một người đứng yên ở vị trí cố định, nhưng lại không hiệu quả khi người đó bắt đầu đi, xoay người hoặc tương tác với đồ vật trong bối cảnh thực tế. Những phương pháp này thường gặp khó khăn với chuyển động tự nhiên, góc camera thay đổi, nền ảnh phức tạp và tình trạng che khuất một phần.

Các phương pháp ước tính tư thế hiện đại dựa vào deep learning để xử lý những thách thức này. Bằng cách huấn luyện mạng nơ-ron tích chập trên các bộ dữ liệu lớn đã gán nhãn, model học được những mẫu hình ảnh giúp phát hiện keypoint đáng tin cậy hơn ở nhiều tư thế, người và môi trường khác nhau.

Khi có thêm ví dụ, model cải thiện dự đoán và khái quát hóa tốt hơn cho các bối cảnh mới. Nhờ tiến bộ này, ước tính tư thế hiện hỗ trợ nhiều trường hợp sử dụng thực tiễn, bao gồm giám sát nơi làm việc và công thái học, cũng như phân tích thể thao, trong đó huấn luyện viên và chuyên gia phân tích nghiên cứu cách vận động viên di chuyển.

Các loại kỹ thuật ước tính tư thế#

Ước tính tư thế có một số hình thức khác nhau, tùy thuộc vào bối cảnh và những gì bạn cần đo lường. Dưới đây là các loại chính thường gặp:

• Ước tính tư thế 2D: Phương pháp này phát hiện keypoint cơ thể trong ảnh hoặc khung hình video hai chiều. Phương pháp hoạt động tốt với camera tiêu chuẩn và có hiệu quả tính toán cao, phù hợp với các tác vụ như theo dõi chuyển động cơ bản, phân tích tư thế và phản hồi tư thế theo thời gian thực.
• Ước tính tư thế 3D: Bằng cách ước tính độ sâu cùng với tọa độ ảnh, ước tính tư thế 3D cung cấp góc nhìn không gian về chuyển động cơ thể. Phương pháp này đặc biệt hữu ích khi cần quan tâm đến chuyển động tiến và lùi, chẳng hạn trong phân tích thể thao, phục hồi chức năng, cơ sinh học và hoạt họa. Cụ thể, ước tính tư thế người 3D ghi nhận vị trí khớp và chuyển động trong không gian 3D, giảm sự mơ hồ có thể xảy ra với phép chiếu 2D.
• Ước tính tư thế một người: Các hệ thống này được thiết kế để theo dõi từng cá nhân một. Chúng thường hoạt động tốt nhất trong môi trường được kiểm soát hoặc bán kiểm soát, nơi chủ thể được nhìn thấy rõ, chẳng hạn như ứng dụng hướng dẫn tập thể dục, cuộc gọi video hoặc các thiết lập phân tích chuyển động.
• Ước tính tư thế nhiều người: Được xây dựng cho những cảnh có nhiều người, phương pháp này phát hiện và theo dõi tư thế của nhiều cá nhân cùng lúc. Phương pháp đặc biệt hữu ích trong môi trường đông đúc như nơi làm việc, phòng tập thể dục, không gian công cộng và hoạt động nhóm, nơi các chủ thể có thể chồng lấp hoặc che khuất lẫn nhau.

Hình 3. Tìm hiểu chuyển động của con người trong không gian 3D so với không gian ảnh 2D (Nguồn)

Tìm hiểu cách các model ước tính tư thế người hoạt động#

Ước tính tư thế có thể áp dụng cho nhiều loại đối tượng, nhưng để đơn giản, hãy tập trung vào ước tính tư thế người.

Hầu hết các hệ thống ước tính tư thế người được huấn luyện trên các bộ dữ liệu đã chú thích, trong đó các bộ phận chính của cơ thể được gán nhãn trên nhiều ảnh và khung hình video. Từ những ví dụ này, model học các mẫu hình ảnh gắn với những điểm mốc trên cơ thể người như vai, khuỷu tay, hông, đầu gối và mắt cá chân, nhờ đó có thể dự đoán chính xác keypoint trong các bối cảnh mới.

Một khía cạnh quan trọng khác là kiến trúc suy luận của model, yếu tố quyết định cách model phát hiện keypoint và ghép chúng thành các tư thế hoàn chỉnh. Một số hệ thống trước tiên phát hiện từng người rồi ước tính keypoint trong vùng của mỗi người, trong khi các hệ thống khác phát hiện keypoint trên toàn bộ ảnh rồi nhóm chúng theo từng cá nhân. Các thiết kế một giai đoạn mới hơn có thể dự đoán tư thế chỉ trong một lượt xử lý, cân bằng tốc độ và độ chính xác để sử dụng theo thời gian thực.

Tiếp theo, hãy cùng tìm hiểu chi tiết các phương pháp ước tính tư thế khác nhau.

Ước tính tư thế bottom-up#

Trong phương pháp bottom-up, model phân tích toàn bộ ảnh và trước tiên tìm các keypoint cơ thể như đầu, vai, khuỷu tay, hông, đầu gối và mắt cá chân. Ở giai đoạn này, model chưa cố gắng phân tách từng người. Model chỉ phát hiện tất cả keypoint hoặc khớp cơ thể được xác định trong bộ khung xương tư thế trên toàn cảnh.

Sau đó, hệ thống thực hiện bước thứ hai để nối các điểm. Hệ thống liên kết những keypoint thuộc cùng một người và nhóm chúng thành các bộ khung xương hoàn chỉnh, mỗi bộ ứng với một người. Vì không cần phát hiện từng người trước, các phương pháp bottom-up thường hoạt động tốt trong cảnh đông người, nơi mọi người chồng lấp, có kích thước khác nhau hoặc bị che khuất một phần.

Phát hiện tư thế top-down#

Ngược lại, các hệ thống top-down bắt đầu bằng việc phát hiện từng người trong ảnh. Hệ thống đặt một hộp giới hạn quanh mỗi cá nhân và xem mỗi hộp là một vùng riêng để phân tích.

Sau khi cô lập một người, model dự đoán các keypoint cơ thể trong vùng đó. Quy trình từng bước này thường cho kết quả rất chính xác, đặc biệt khi cảnh chỉ có một vài người và mỗi người đều được nhìn thấy rõ.

Ước tính tư thế một giai đoạn hoặc kết hợp#

Các model một giai đoạn, đôi khi được gọi là model kết hợp, dự đoán tư thế chỉ trong một lượt xử lý. Thay vì chạy phát hiện người trước rồi mới ước tính keypoint, các model này đồng thời xuất ra vị trí người và keypoint cơ thể.

Vì mọi thao tác diễn ra trong một mô-đun duy nhất, các model này thường nhanh và hiệu quả hơn, phù hợp với các ứng dụng thời gian thực như theo dõi chuyển động trực tiếp và ghi lại chuyển động. Các model như Ultralytics YOLO11 được xây dựng theo hướng này, nhằm cân bằng tốc độ với khả năng dự đoán keypoint đáng tin cậy.

Huấn luyện và đánh giá các model ước tính tư thế#

Dù sử dụng phương pháp nào, model ước tính tư thế vẫn cần được huấn luyện và kiểm thử cẩn thận trước khi có thể hoạt động đáng tin cậy trong thực tế. Model thường học từ các tập ảnh lớn (và đôi khi cả video) có gán nhãn keypoint cơ thể, giúp xử lý nhiều tư thế, góc camera và môi trường khác nhau.

Một số dataset ước lượng tư thế phổ biến gồm COCO Keypoints, MPII Human Pose, CrowdPose và OCHuman. Khi các dataset này không phản ánh điều kiện triển khai thực tế, kỹ sư thường thu thập và gán nhãn thêm ảnh từ môi trường mục tiêu, chẳng hạn như nhà máy, phòng tập hoặc phòng khám.

Hình 4. Ước tính nhiều tư thế khác nhau bằng thị giác máy tính (Nguồn)

Sau khi huấn luyện, hiệu năng của model được đánh giá trên các bộ benchmark tiêu chuẩn để đo độ chính xác và độ bền vững, đồng thời định hướng tinh chỉnh thêm cho mục đích sử dụng thực tế. Kết quả thường được báo cáo bằng độ chính xác trung bình trung bình, thường được gọi là mAP, chỉ số tổng hợp hiệu năng ở nhiều ngưỡng độ tin cậy khác nhau bằng cách so sánh các tư thế dự đoán với ground truth đã gán nhãn.

Trong nhiều benchmark tư thế, tư thế dự đoán được đối chiếu với tư thế ground truth bằng Độ tương đồng keypoint đối tượng (OKS). OKS đo mức độ gần nhau giữa keypoint dự đoán và keypoint được gán nhãn, đồng thời tính đến các yếu tố như kích thước của người và độ khó định vị đặc trưng của từng keypoint.

Các model tư thế cũng xuất điểm độ tin cậy cho người được phát hiện và từng keypoint riêng lẻ. Những điểm số này thể hiện mức độ tin cậy của model và được dùng để xếp hạng, lọc các dự đoán; điều này đặc biệt quan trọng trong điều kiện khó khăn như bị che khuất, nhòe chuyển động hoặc góc camera bất thường.

Các công cụ và thư viện ước tính tư thế phổ biến#

Hiện nay có nhiều công cụ ước tính tư thế, mỗi công cụ cân bằng giữa tốc độ, độ chính xác và tính dễ sử dụng theo cách riêng. Dưới đây là một số công cụ và thư viện được sử dụng rộng rãi nhất:

• Ultralytics YOLO11: Được phát triển như một model AI thị giác mã nguồn mở tiên tiến nhất, YOLO11 kế thừa các model trước đó như Ultralytics YOLOv8. Model cải thiện tốc độ, độ chính xác và hiệu quả tổng thể, đồng thời hỗ trợ nhiều tác vụ thị giác máy tính, bao gồm ước lượng tư thế. Với hiệu suất mạnh mẽ trên nhiều nền tảng, từ laptop đến thiết bị biên, YOLO11 là lựa chọn phù hợp cho nhiều triển khai thực tế.
• Ultralytics YOLO26: Model thế hệ tiếp theo này, phát hành vào tháng 1 năm 2026, được thiết kế nhẹ hơn, nhỏ gọn hơn và nhanh hơn mà vẫn duy trì độ chính xác cao. Model được xây dựng cho ứng dụng thời gian thực và triển khai dễ dàng hơn, đồng thời hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn thể hiện và ước lượng tư thế với nhiều kích thước model phù hợp từ thiết bị biên đến các hệ thống lớn hơn.
• MediaPipe: Đây là framework đa nền tảng để xây dựng các pipeline thị giác và machine learning. Framework này nhẹ và hoạt động hiệu quả trên thiết bị di động, máy tính bảng cũng như trong ứng dụng web; đồng thời có sẵn các giải pháp và model dùng ngay cho tư thế toàn thân, landmark khuôn mặt và theo dõi bàn tay.
• OpenPose: Hệ thống ước lượng tư thế mã nguồn mở end-to-end này nổi tiếng với khả năng phát hiện keypoint của nhiều người. Hệ thống có thể ước lượng đồng thời keypoint cơ thể, bàn tay và khuôn mặt, thường được sử dụng trong nghiên cứu, hoạt hình và phân tích chuyển động.
• MMPose: MMPose là bộ công cụ ước tính tư thế dựa trên PyTorch thuộc hệ sinh thái OpenMMLab. Bộ công cụ cung cấp nhiều bản triển khai model, tiện ích huấn luyện và tùy chọn cấu hình, rất hữu ích cho việc thử nghiệm và tùy chỉnh chuyên sâu.
• HRNet và AlphaPose: Đây là những model ước tính tư thế cũ hơn nhưng vẫn được sử dụng trong nghiên cứu hiện nay. HRNet là kiến trúc model tư thế duy trì đặc trưng ảnh độ phân giải cao xuyên suốt mạng, giúp định vị keypoint chính xác. AlphaPose là hệ thống ước tính tư thế nhiều người được sử dụng rộng rãi, thường phù hợp khi cần độ chính xác cao trong các cảnh đông đúc hoặc phức tạp.

Ứng dụng thực tế của phân tích và ước tính tư thế#

Ước tính tư thế ngày càng được sử dụng để chuyển video thông thường thành thông tin hữu ích về chuyển động. Bằng cách theo dõi keypoint cơ thể qua từng khung hình, các hệ thống này có thể suy luận tư thế, chuyển động và hành vi thể chất từ luồng hình ảnh camera, giúp công nghệ này trở nên thiết thực trong nhiều môi trường thực tế.

Ví dụ, trong lĩnh vực chăm sóc sức khỏe và phục hồi chức năng, theo dõi tư thế có thể giúp bác sĩ quan sát và đo lường cách bệnh nhân di chuyển trong quá trình trị liệu và hồi phục. Bằng cách trích xuất landmark cơ thể từ các bản ghi video thông thường, công nghệ này có thể được dùng để đánh giá tư thế, biên độ chuyển động và kiểu vận động tổng thể theo thời gian. Các phép đo này có thể hỗ trợ và tối ưu hóa những đánh giá lâm sàng truyền thống, đồng thời trong một số trường hợp giúp theo dõi tiến triển dễ dàng hơn mà không cần cảm biến đeo hoặc thiết bị chuyên dụng.

Tương tự, trong thể thao và phát sóng, ước tính tư thế có thể phân tích chuyển động của vận động viên trực tiếp từ luồng video. Hawk-Eye là một ví dụ thú vị: hệ thống theo dõi dựa trên camera được sử dụng trong thể thao chuyên nghiệp để hỗ trợ trọng tài và tạo đồ họa phát sóng. Hệ thống này cũng theo dõi bộ xương bằng cách ước tính keypoint cơ thể của vận động viên từ hình ảnh camera.

Lựa chọn công cụ ước tính tư thế phù hợp#

Lựa chọn công cụ ước tính tư thế phù hợp bắt đầu từ việc hiểu rõ nhu cầu của dự án thị giác máy tính. Một số ứng dụng ưu tiên tốc độ xử lý thời gian thực, trong khi những ứng dụng khác đòi hỏi độ chính xác và mức độ chi tiết cao hơn.

Thiết bị mục tiêu để triển khai cũng tạo nên sự khác biệt. Ứng dụng di động và thiết bị biên thường cần các model nhẹ, hiệu quả, trong khi model lớn hơn thường phù hợp hơn với máy chủ hoặc môi trường đám mây.

Ngoài ra, tính dễ sử dụng cũng có thể đóng vai trò quan trọng. Tài liệu tốt, quy trình triển khai thuận lợi và khả năng hỗ trợ huấn luyện tùy chỉnh có thể giúp tinh giản dự án.

Nói đơn giản, mỗi công cụ có thế mạnh riêng. Chẳng hạn, các model Ultralytics YOLO cân bằng thực tế giữa tốc độ, độ chính xác và tính dễ triển khai cho nhiều ứng dụng ước tính tư thế trong thế giới thực.

Hình 5. Ước tính tư thế động vật bằng Ultralytics YOLO11 (Nguồn)

Điểm chính cần ghi nhớ#

Ước tính tư thế giúp máy tính hiểu chuyển động của con người bằng cách phát hiện keypoint cơ thể trong ảnh và video. Các model như YOLO11 và YOLO26 giúp xây dựng ứng dụng thời gian thực dễ dàng hơn trong những lĩnh vực như thể thao, chăm sóc sức khỏe, an toàn lao động và trải nghiệm tương tác. Khi các model ngày càng nhanh và chính xác hơn, ước tính tư thế có thể sẽ trở thành tính năng phổ biến trong nhiều hệ thống AI thị giác.

Bạn muốn tìm hiểu thêm về AI? Hãy ghé thăm cộng đồng và kho GitHub của chúng tôi. Khám phá các trang giải pháp để tìm hiểu về AI trong robot học và thị giác máy tính trong sản xuất. Tìm hiểu các tùy chọn cấp phép và bắt đầu xây dựng với thị giác máy tính ngay hôm nay!