Pose estimation là gì và nó có thể được sử dụng ở đâu?

Khi bạn nhìn thấy ai đó đang khom lưng hoặc đứng thẳng với vai mở rộng, bạn sẽ nhận ra ngay lập tức liệu họ có tư thế xấu hay tự tin. Không ai cần phải giải thích điều đó với bạn. Đó là vì theo thời gian, chúng ta đã học cách giải mã ngôn ngữ cơ thể một cách tự nhiên.

Thông qua kinh nghiệm và quan sát, bộ não của chúng ta đã trở nên rất giỏi trong việc nhận biết tư thế của các đối tượng khác nhau, bao gồm cả con người. Nhờ những tiến bộ gần đây trong trí tuệ nhân tạo (AI) và computer vision, một lĩnh vực cho phép máy móc diễn giải thông tin trực quan từ thế giới, máy móc giờ đây cũng bắt đầu học hỏi và tái tạo khả năng này.

Pose estimation là một tác vụ computer vision giúp máy móc xác định vị trí và hướng của một người hoặc đối tượng bằng cách quan sát hình ảnh hoặc video. Tác vụ này thực hiện điều đó bằng cách nhận diện các điểm کلх (key points) trên cơ thể như khớp và chi để hiểu cách một người, hoặc thậm chí một thứ gì đó, đang di chuyển.

Công nghệ này đang được ứng dụng rộng rãi trong các lĩnh vực như thể dục, chăm sóc sức khỏe và hoạt hình. Ví dụ, trong môi trường làm việc, công nghệ này có thể được dùng để theo dõi tư thế của nhân viên và hỗ trợ các sáng kiến về an toàn và sức khỏe. Các computer vision model như Ultralytics YOLO11 giúp hiện thực hóa điều này bằng cách ước tính tư thế con người theo thời gian thực.

Fig 1. Ví dụ về việc sử dụng Ultralytics YOLO11 để theo dõi tư thế làm việc của công nhân.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về ước lượng tư thế và cách thức hoạt động của nó, cùng với các trường hợp sử dụng thực tế mà nó đang tạo ra sự khác biệt. Hãy cùng bắt đầu nhé!

Sự phát triển của ước lượng tư thế#

Nghiên cứu về pose estimation đã bắt đầu từ cuối những năm 1960 và 70. Qua nhiều năm, các cách tiếp cận đối với computer vision task này đã chuyển dịch từ toán học và hình học cơ bản sang các phương pháp tiên tiến hơn được thúc đẩy bởi trí tuệ nhân tạo.

Ban đầu, các kỹ thuật phụ thuộc vào góc camera cố định và các điểm tham chiếu đã biết. Sau đó, chúng tiến hóa để bao gồm các mô hình 3D và khớp đặc trưng. Ngày nay, các mô hình deep learning như Ultralytics YOLO11 có thể phát hiện tư thế cơ thể theo thời gian thực từ hình ảnh hoặc video, giúp ước lượng tư thế nhanh chóng và chính xác hơn bao giờ hết.

Khi công nghệ cải thiện, các nhà nghiên cứu đã nhận thấy tiềm năng ứng dụng của việc có thể giám sát và theo dõi tư thế của nhiều đối tượng, đặc biệt là con người và động vật. Ước lượng tư thế đặc biệt quan trọng vì nó cho phép các công cụ AI hiểu và đo lường tư thế cũng như chuyển động theo những cách chưa từng có trước đây.

Ví dụ, nó cho phép máy tính nhận diện cử chỉ để tương tác không chạm, phân tích chuyển động của vận động viên để cải thiện hiệu suất, cung cấp sức mạnh cho các hoạt họa thực tế trong trò chơi điện tử, và thậm chí hỗ trợ chăm sóc sức khỏe bằng cách theo dõi quá trình phục hồi của bệnh nhân.

Nó khác biệt như thế nào so với các tác vụ thị giác máy tính khác?#

Pose estimation khác với các computer vision task khác như object detection và instance segmentation. Các tác vụ này tập trung chủ yếu vào việc nhận diện và định vị các đối tượng trong một hình ảnh.

Ví dụ, object detection vẽ các bounding box xung quanh các mục như con người, xe cộ hoặc động vật để chỉ ra sự hiện diện và vị trí của chúng. Instance segmentation tiến xa hơn một bước bằng cách phác thảo hình dạng chính xác của từng đối tượng ở cấp độ pixel.

Tuy nhiên, cả hai phương pháp này chủ yếu quan tâm đến việc đối tượng đó là gì và nó ở đâu - chúng không cung cấp bất kỳ thông tin nào về cách đối tượng được định vị hoặc những gì nó có thể đang làm. Đó là lúc ước lượng tư thế trở nên quan trọng.

Bằng cách xác định các điểm then chốt trên cơ thể, như khuỷu tay, đầu gối hoặc thậm chí là cái đuôi, ước lượng tư thế có thể diễn giải tư thế và chuyển động. Điều này cho phép hiểu sâu hơn về các hành động, cử chỉ và động lực học cơ thể, bao gồm cả chuyển động trong không gian 3D.

Tìm hiểu cách thức hoạt động của ước lượng tư thế#

Pose estimation models thường tuân theo hai cách tiếp cận chính: bottom-up và top-down. Trong cách tiếp cận bottom-up, model trước tiên phát hiện các điểm key point riêng lẻ như khuỷu tay, đầu gối hoặc vai, sau đó nhóm chúng lại để xác định xem chúng thuộc về người hay đối tượng nào. Ngược lại, cách tiếp cận top-down bắt đầu bằng cách phát hiện từng đối tượng trước (chẳng hạn như một người trong hình ảnh) và sau đó xác định vị trí các điểm key point cho đối tượng cụ thể đó.

Fig 2. Các phương pháp pose estimation bottom-up và top-down.

Một số mô hình mới hơn, chẳng hạn như Ultralytics YOLO11, kết hợp các ưu điểm của cả hai phương pháp. Nó giữ được hiệu quả của phương pháp bottom-up bằng cách bỏ qua bước nhóm thủ công, đồng thời tận dụng độ chính xác của các hệ thống top-down bằng cách phát hiện con người và ước lượng tư thế của họ cùng một lúc - trong một quy trình duy nhất, được hợp lý hóa.

Huấn luyện tùy chỉnh Ultralytics YOLO11 cho tác vụ ước lượng tư thế#

Khi chúng ta tìm hiểu cách các mô hình ước lượng tư thế hoạt động, bạn có thể tự hỏi: làm thế nào các mô hình này thực sự học được cách ước lượng tư thế của các đối tượng khác nhau? Đó là nơi khái niệm huấn luyện tùy chỉnh xuất hiện.

Huấn luyện tùy chỉnh có nghĩa là dạy cho model nhận diện các điểm key point cụ thể bằng dữ liệu của riêng bạn. Vì việc xây dựng một model từ đầu đòi hỏi lượng lớn hình ảnh được gán nhãn và thời gian đáng kể, nhiều người chọn phương pháp transfer learning. Quá trình này bao gồm việc bắt đầu với một model đã được huấn luyện trên một tập dữ liệu lớn, chẳng hạn như model ước lượng tư thế Ultralytics YOLO11, vốn được huấn luyện trước trên COCO-Pose dataset, sau đó tinh chỉnh nó bằng dữ liệu của riêng bạn cho một tác vụ hoặc trường hợp sử dụng cụ thể.

Giả sử bạn đang làm việc với các tư thế yoga - bạn có thể tinh chỉnh Ultralytics YOLO11 bằng các hình ảnh trong đó mỗi tư thế được gán nhãn với các key point dành riêng cho hoạt động đó. Để làm được điều này, bạn sẽ cần một custom dataset gồm các hình ảnh được chú thích để model có thể học hỏi.

Trong quá trình huấn luyện, bạn có thể điều chỉnh các thiết lập như batch size (số lượng hình ảnh được xử lý cùng một lúc), learning rate (tốc độ mô hình cập nhật việc học), và epochs (số lần mô hình chạy qua bộ dữ liệu) để cải thiện độ chính xác. Điều này giúp việc xây dựng các mô hình ước lượng tư thế phù hợp với nhu cầu cụ thể của bạn trở nên dễ dàng hơn nhiều.

Các ứng dụng thực tế của ước lượng tư thế#

Giờ đây khi chúng ta đã thảo luận về ước lượng tư thế là gì và cách thức hoạt động của nó, hãy cùng nhìn kỹ hơn vào một số trường hợp sử dụng thực tế của nó.

Sử dụng ước lượng tư thế cho vật lý trị liệu#

Ước lượng tư thế đang dần trở thành một công cụ đáng tin cậy trong ngành chăm sóc sức khỏe, đặc biệt là trong vật lý trị liệu. Sử dụng AI và thị giác máy tính, các hệ thống này có thể theo dõi tư thế và chuyển động trong thời gian thực và đưa ra phản hồi, tương tự như những gì một chuyên gia vật lý trị liệu cung cấp.

Ví dụ, một bệnh nhân đang phục hồi sau phẫu thuật đầu gối có thể sử dụng hệ thống ước lượng tư thế để đảm bảo họ đang thực hiện các bài tập phục hồi chức năng một cách chính xác. Hệ thống có thể phát hiện bất kỳ chuyển động không chính xác nào và đưa ra gợi ý để cải thiện, giúp bệnh nhân đi đúng hướng và tránh chấn thương.

Fig 3. Ví dụ về việc sử dụng Ultralytics YOLO11 cho vật lý trị liệu.

Ngoài việc phục hồi chức năng, pose estimation cũng đang dần xuất hiện trong các fitness apps. Ví dụ, một người tập luyện tại nhà có thể sử dụng app để kiểm tra tư thế của họ trong các bài tập. App có thể đưa ra phản hồi thời gian thực, chẳng hạn như điều chỉnh góc của động tác squat hoặc đảm bảo lưng thẳng khi thực hiện deadlift. Điều này giúp người dùng cải thiện tư thế và ngăn ngừa chấn thương mà không cần huấn luyện viên.

Chụp chuyển động (motion capture) cho giải trí được hỗ trợ bởi ước lượng tư thế#

Ước lượng tư thế đã thay đổi cách thức hoạt động của chụp chuyển động trong giải trí, làm cho nó đơn giản và dễ tiếp cận hơn. Trong quá khứ, chụp chuyển động yêu cầu gắn các điểm đánh dấu (marker) trên cơ thể người và theo dõi chúng bằng các máy quay đặc biệt, điều này có thể khá rắc rối và đắt đỏ.

Giờ đây, với những tiến bộ trong AI và computer vision, chúng ta có thể sử dụng các cameras thông thường và thuật toán để theo dõi chuyển động cơ thể mà không cần cảm biến hay thẻ, giúp quy trình trở nên hiệu quả và chính xác hơn, ngay cả trong thời gian thực.

Một ví dụ tuyệt vời về điều này là Disney's AR (Augmented Reality) Poser. Công cụ thú vị này cho phép bạn chụp ảnh bằng điện thoại và có một nhân vật kỹ thuật số sao chép tư thế của bạn trong thực tế tăng cường. Nó hoạt động bằng cách phân tích tư thế của bạn trong bức ảnh và khớp nó với một nhân vật 3D, tạo ra một bức selfie AR cá nhân hóa và thú vị.

Fig 4. Một nhân vật AR bắt chước tư thế của một người bằng cách sử dụng pose estimation.

Nghiên cứu hành vi xã hội dựa trên ước lượng tư thế động vật#

Nghiên cứu hành vi động vật giúp các nhà khoa học hiểu cách động vật giao tiếp, tìm bạn đời, chăm sóc con non và sống theo nhóm. Kiến thức này rất quan trọng để bảo vệ động vật hoang dã và đạt được sự hiểu biết sâu sắc hơn về thế giới tự nhiên.

Pose estimation đơn giản hóa quy trình này bằng cách tracking animal chuyển động và tư thế bằng hình ảnh và video, mà không cần gắn cảm biến hay thẻ lên động vật. Các hệ thống này có thể tự động theo dõi tư thế của chúng, cung cấp thông tin chi tiết về các hành vi như chải chuốt, chơi đùa hoặc chiến đấu.

Một ví dụ thú vị về điều này là các nhà khoa học sử dụng ước lượng tư thế để nghiên cứu hành vi của loài vượn. Trên thực tế, các nhà nghiên cứu đã biên soạn các bộ dữ liệu như OpenApePose, chứa hơn 71.000 hình ảnh đã được gán nhãn từ sáu loài vượn.

Fig 5. Pose estimation trên loài vượn.

Ưu và nhược điểm của ước lượng tư thế#

Dưới đây là một số lợi ích chính mà ước lượng tư thế có thể mang lại cho các ngành công nghiệp khác nhau:

• Scalability: Các hệ thống pose estimation có thể được triển khai trên nhiều loại thiết bị, từ điện thoại thông minh cho đến các hệ thống camera tiên tiến, giúp chúng có khả năng mở rộng cao và dễ tiếp cận cho các use case và môi trường khác nhau.
• Hiệu quả về chi phí: Vì ước lượng tư thế dựa trên các máy quay thông thường và không yêu cầu các cảm biến hoặc thẻ đắt tiền, nó có thể là một giải pháp hiệu quả về chi phí để theo dõi chuyển động trong cả nghiên cứu và các ứng dụng thương mại.
• Giám sát liên tục: Các hệ thống ước lượng tư thế có thể cung cấp khả năng theo dõi liên tục, theo thời gian thực, cho phép giám sát các thay đổi theo thời gian, cho dù đó là sự tiến bộ của bệnh nhân trong quá trình phục hồi hay theo dõi hành vi động vật trong tự nhiên.

Trong khi những ưu điểm của ước lượng tư thế rất rõ ràng trong nhiều lĩnh vực, cũng có một số thách thức cần xem xét. Dưới đây là một vài hạn chế chính cần lưu ý:

• Khả năng tổng quát hóa hạn chế: Nhiều mô hình được huấn luyện trên các bộ dữ liệu người không tổng quát hóa tốt cho động vật hoặc các cấu trúc cơ thể không phổ biến nếu không được huấn luyện lại trên các bộ dữ liệu cụ thể.

• Hạn chế về môi trường: Hiệu suất có thể suy giảm dưới ánh sáng kém, nhòe do chuyển động nhanh hoặc phông nền quá phức tạp.

• Độ nhạy cao đối với hiện tượng che khuất: Độ chính xác có thể giảm khi các bộ phận cơ thể bị chặn hoặc nằm ngoài khung hình, đặc biệt là trong các cảnh đông người hoặc theo dõi nhiều người.

Các điểm chính cần lưu ý#

Ước lượng tư thế đã đi một chặng đường dài kể từ những ngày đầu, tiến hóa từ các hệ thống sử dụng điểm đánh dấu thành các công cụ có tác động mạnh mẽ được thúc đẩy bởi các mô hình deep learning như Ultralytics YOLO11. Dù là cải thiện vật lý trị liệu, cung cấp năng lượng cho các trải nghiệm AR tương tác, hay hỗ trợ nghiên cứu động vật hoang dã, ước lượng tư thế đang thay đổi cách máy móc hiểu về chuyển động và tư thế. Khi công nghệ tiếp tục tiến bộ, việc giải quyết các hạn chế của nó sẽ là chìa khóa để mở ra nhiều ứng dụng thực tế hơn nữa và giúp máy móc hiểu rõ hơn về cách chúng ta và các sinh vật sống khác chuyển động.

Bạn tò mò về AI? Khám phá GitHub repository của chúng tôi, kết nối với our community và xem qua our licensing options để bắt đầu dự án computer vision của bạn. Tìm hiểu thêm về các đổi mới như AI in retail và computer vision in the logistics ngành trên các trang giải pháp của chúng tôi.