如何使用 Ultralytics YOLO11 进行姿态估计

与计算机视觉相关的研究可以追溯到 20 世纪 60 年代，计算机视觉是人工智能（AI）的一个分支。然而，直到 2010 年代，随着深度学习的兴起，我们才看到机器理解图像的方式取得重大突破。Ultralytics YOLO11模型是计算机视觉领域的最新前沿进展之一。这些YOLO11 模型首次在 Ultralytics 的年度混合活动YOLO Vision 2024 (YV24)上发布，支持多种计算机视觉任务，包括姿态估计。

姿态估计可用于检测图像或视频中人物或物体的关键点，从而了解其位置、姿势或运动。它广泛应用于体育分析、动物行为监测和机器人技术等领域，帮助机器实时解读物理动作。与 YOLO（You Only Look Once）系列中的早期模型相比，YOLO11具有更高的准确率、更高的效率和更快的速度，非常适合实时姿态估计任务。

图 1。使用 Ultralytics YOLO11 进行姿态估计的示例。

在本文中，我们将探索什么是姿态估计，讨论它的一些应用，并逐步介绍如何将YOLO11与Ultralytics Python 软件包结合使用进行姿态估计。我们还将了解如何通过几次简单点击，使用Ultralytics HUB试用 YOLO11 和姿态估计。让我们开始吧！

什么是姿态估计？#

在深入了解如何使用全新的Ultralytics YOLO11 模型进行姿态估计之前，我们先进一步了解姿态估计。

姿态估计是一种用于分析图像或视频中人物或物体姿态的计算机视觉技术。像 Ultralytics YOLO11这样的深度学习模型可以识别、定位和跟踪给定物体或人物上的关键点。对于物体，这些关键点可能包括角点、边缘或独特的表面标记；对于人类，这些关键点则表示肘部、膝盖或肩膀等主要关节。

与目标检测等其他计算机视觉任务相比，姿态估计具有独特性，也更加复杂。目标检测通过在物体周围绘制边界框来定位图像中的物体，而姿态估计则更进一步，预测物体上关键点的精确位置。

图 2。使用 Ultralytics YOLO11 检测并估计办公室中人员的姿态。

姿态估计主要有两种实现方式：自底向上和自顶向下。自底向上的方法会检测单个关键点并将其组合成骨架，而自顶向下的方法则首先专注于检测物体，然后估计物体内部的关键点。

Ultralytics YOLO11 结合了自顶向下和自底向上方法的优势。与自底向上的方法一样，它无需手动组合关键点，因此简单且快速。同时，它通过检测人物并在单个步骤中估计其姿态，发挥了自顶向下方法的准确性优势。

Ultralytics YOLO11 的姿态估计应用场景#

Ultralytics YOLO11 在姿态估计方面的多功能能力，为众多行业开辟了广泛的潜在应用。下面让我们仔细了解 YOLO11 的一些姿态估计应用场景。

使用 Ultralytics YOLO11 进行实时姿态估计：提升工人安全#

安全是任何建筑项目的重要组成部分。由于从统计数据来看，建筑工地发生的工伤数量较高，这一点尤其重要。2021 年，约 20% 的工伤致命事故发生在建筑工地或其附近。面对重型设备和电气系统等日常风险，强有力的安全措施对于保障工人安全至关重要。使用标志、路障以及主管人工监控等传统方法并不总是有效，而且常常会让主管无法专注于更关键的任务。

AI 可以帮助提升安全性，而使用基于姿态估计的工人监测系统可以降低事故风险。Ultralytics YOLO11 模型可用于跟踪工人的动作和姿势。系统可以快速发现潜在危险，例如工人站得离危险设备过近或操作不当。如果检测到风险，系统可以通知主管，或通过警报提醒工人。持续监测系统始终关注危险并保护工人，从而让建筑工地更加安全。

图 3。使用 Ultralytics YOLO11 在建筑工地进行姿态估计的示例。

使用 Ultralytics YOLO11 进行姿态估计以监测牲畜#

农民和研究人员可以使用 Ultralytics YOLO11 研究牛等农场动物的行为和运动，以检测跛行等疾病的早期迹象。跛行是指动物因腿部或足部疼痛而难以正常移动的一种状况。对于牛而言，跛行等疾病不仅会影响其健康和福利，还会导致奶牛场的生产问题。研究表明，在全球乳业中，跛行影响放牧系统中 8% 的牛，以及圈养系统中 15% 至 30% 的牛。及早检测并处理跛行，有助于改善动物福利，并减少与这一状况相关的生产损失。

Ultralytics YOLO11 的姿态估计功能可以帮助农民跟踪动物的步态模式，并快速识别可能预示健康问题的异常情况，例如关节问题或感染。及早发现这些问题可以实现更快的治疗，减轻动物的不适，并帮助农民避免经济损失。

由视觉 AI驱动的监测系统还可以帮助分析休息行为、社交互动和进食模式。农民还可以使用姿态估计观察动物是否存在压力或攻击迹象。这些洞察可用于为动物营造更好的生活环境，并提升其福祉。

图 4。牛姿态估计可视化。

Ultralytics YOLO11 在健身行业中的应用场景#

姿态估计还可以帮助人们在锻炼时实时改善姿势。借助 Ultralytics YOLO11，健身房和瑜伽教练可以监测并跟踪锻炼者的身体动作，重点关注关节和四肢等关键点，以评估其姿势。收集的数据可以与理想姿势和锻炼技巧进行比较；如果有人动作不正确，教练还可以收到提醒，从而帮助预防受伤。

图 5。使用姿态估计分析锻炼。

例如，在瑜伽课上，姿态估计可以帮助监测所有学生是否保持正确的平衡和身体对齐。将计算机视觉和姿态估计集成到移动应用中，可以让在家锻炼或无法获得私人教练服务的人更容易进行健身。这种持续的实时反馈可以帮助用户改进技术、实现健身目标，同时降低受伤风险。

使用 Ultralytics YOLO11 模型体验实时姿态估计#

现在我们已经了解了姿态估计的概念并讨论了它的一些应用，下面来看看如何使用全新的 YOLO11 模型体验姿态估计。开始之前，你可以通过两种便捷方式进行操作：使用 Ultralytics Python 软件包，或通过 Ultralytics HUB进行操作。下面分别介绍这两种方式。

使用 Ultralytics YOLO11 运行推理#

运行推理是指 YOLO11 模型处理其训练集之外的新数据，并利用学习到的模式基于这些数据进行预测。你可以通过 Ultralytics Python 软件包使用代码运行推理。你只需使用 pip、conda 或 Docker 安装 Ultralytics 软件包即可开始使用。如果安装过程中遇到问题，我们的常见问题指南提供了实用的故障排除建议。

成功安装软件包后，以下代码展示了如何加载模型，并使用它预测图像中物体的姿态。

图 6。展示使用 Ultralytics YOLO11 运行推理的代码片段。

训练自定义 Ultralytics YOLO11 模型#

假设你正在开展一个计算机视觉项目，并且针对涉及姿态估计的特定应用拥有一个专用数据集。此时，你可以对自定义 YOLO11 模型进行微调和训练，使其适应你的应用。例如，你可以使用关键点数据集，通过识别老虎四肢、头部和尾部的位置等关键特征，分析并理解图像中老虎的姿态。

你可以使用以下代码片段加载并训练 Ultralytics YOLO11 姿态估计模型。你可以根据YAML 配置构建模型，也可以加载预训练模型进行训练。此脚本还支持迁移权重，并使用指定的数据集开始训练模型，例如用于姿态估计的 COCO 数据集。

图 7。自定义训练 Ultralytics YOLO11。

使用新训练的自定义模型，你可以在与计算机视觉解决方案相关的未见过的图像上运行推理。你还可以使用导出模式将训练好的模型转换为其他格式。

在 Ultralytics HUB 上体验 YOLO11#

到目前为止，我们介绍了需要一些基础编程知识的 YOLO11 使用方法。如果这不是你想要的，或者你不熟悉编程，还可以选择另一种方式：Ultralytics HUB。Ultralytics HUB 是一个用户友好的平台，旨在简化 YOLO 模型的训练和部署流程。HUB 让你无需专业技术知识即可轻松管理数据集、训练模型并进行部署。

要对图像运行推理，你可以创建一个帐户，进入“Models”部分，然后选择感兴趣的 Ultralytics YOLO11 姿态估计模型。在预览部分，你可以上传图像并查看预测结果，如下所示。

图 8。在 Ultralytics HUB 上使用 YOLO11 进行姿态估计。

Ultralytics YOLO11 在人体姿态检测方面的进展#

Ultralytics YOLO11 为广泛应用中的姿态估计等任务提供了准确且灵活的解决方案。从提升建筑工地工人的安全，到监测牲畜健康，再到辅助健身训练中的姿势纠正，YOLO11 通过先进的计算机视觉技术带来精准性和实时反馈。

YOLO11 具有多种模型变体，并能够针对特定应用场景进行自定义训练，因此无论对开发者还是企业而言，都是极具价值的工具。无论是通过 Ultralytics Python 软件包编写代码，还是使用 Ultralytics HUB 更轻松地实施，YOLO11 都让姿态估计变得易于使用且富有影响力。

如需了解更多信息，请访问我们的 GitHub 代码库，并加入我们的社区。在我们的解决方案页面上探索制造业和农业中的 AI 应用。🚀