如何使用 Ultralytics YOLO11 进行姿态估计

关于计算机视觉（人工智能（AI）的一个分支）的研究可以追溯到20世纪60年代。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。计算机视觉领域的最新进展之一是尖端的Ultralytics YOLO11模型。YOLO11模型最初在Ultralytics的年度混合活动、YOLO Vision 2024 (YV24)上推出，支持包括姿态估计在内的多种计算机视觉任务。

姿态估计可用于检测图像或视频中人物或物体的关键点，以了解其位置、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应用中，帮助机器实时解读身体动作。由于YOLO（You Only Look Once）系列中早期模型的准确性、效率和速度得到了提升，YOLO11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。

在这篇文章中，我们将探讨什么是姿态估计，讨论它的一些应用，并介绍如何将YOLO11与用于姿态估计的Ultralytics Python包配合使用。我们还将了解如何使用Ultralytics HUB只需几次简单的点击即可体验YOLO11和姿态估计。我们开始吧！

什么是姿态估计？#

在我们深入探讨如何将新的Ultralytics YOLO11模型用于姿态估计之前，让我们先对姿态估计有一个更好的了解。

姿态估计是一种计算机视觉技术，用于分析图像或视频中人或物体的姿态。诸如 Ultralytics YOLO11 这样的深度学习模型能够识别、定位并追踪给定物体或人物上的关键点。对于物体而言，这些关键点可能包括角点、边缘或明显的表面标记，而对于人类而言，这些关键点则代表肘部、膝盖或肩膀等主要关节。

与其他计算机视觉任务（如目标检测）相比，姿态估计具有独特性且更为复杂。目标检测通过在图像中的物体周围绘制边界框来定位物体，而姿态估计则更进一步，预测物体上关键点的确切位置。

图 2. 使用 Ultralytics YOLO11 检测并估计办公室中人们的姿态。

说到姿态估计，主要有两种工作方式：自下而上和自上而下。自下而上的方法检测各个关键点并将它们组合成骨架，而自上而下的方法则侧重于首先检测物体，然后在其中估计关键点。

Ultralytics YOLO11 结合了自顶向下和自底向上两种方法的优势。与自底向上的方法类似，它保持了简单和快速的特点，无需手动对关键点进行分组。同时，它又利用了自顶向下方法的准确性，在单步中检测人员并估计其姿态。

Ultralytics YOLO11 的姿态估计应用场景#

Ultralytics YOLO11 在姿态估计方面的多功能特性为许多行业的广泛潜在应用打开了大门。让我们仔细看看 YOLO11 的一些姿态估计用例。

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方面。情况确实如此，因为从统计数据来看，建筑工地的工伤事故发生率较高。2021年，大约20%的所有与工作相关的致命伤害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保护工人安全至关重要。传统的方法（如使用标志、路障和主管人工监控）并不总是有效，而且往往会把主管从更关键的任务中牵扯开。

人工智能可以介入以提高安全性，并且可以通过使用基于姿态估计的工人监控系统来降低事故风险。Ultralytics YOLO11模型可用于追踪工人的动作和姿势。可以快速发现任何潜在危险，例如工人离危险设备太近或执行任务不正确。如果检测到风险，可以通知主管，或者通过警报提醒工人。持续的监控系统可以通过时刻留意危险并保护工人来使建筑工地更加安全。

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

使用 Ultralytics YOLO11 进行牲畜监测的姿态估计#

农场主和研究人员可以使用 Ultralytics YOLO11 来研究诸如牛等农场动物的运动和行为习惯，以便及早发现跛行等疾病的迹象。跛行是指动物由于腿部或足部疼痛而难以正常移动的状况。在牛群中，像跛行这样的疾病不仅会影响它们的健康和福利，还会导致奶牛场的生产问题。研究表明，在全求奶牛业中，跛行影响了放牧系统中 8% 的牛以及集约化系统中 15% 到 30% 的牛。早期检测和处理跛行有助于改善动物福利，并减少与该状况相关的生产损失。

Ultralytics YOLO11 的姿态估计功能可以帮助农场主追踪动物的步态模式，并快速识别可能预示健康问题的任何异常，例如关节问题或感染。及早发现这些问题能够实现更快的治疗，减轻动物的不适，并帮助农场主避免经济损失。

视觉AI启用的监控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来观察压力或攻击性的迹象。这些见解可用于为动物营造更好的生活条件并提升它们的福祉。

图 4. 牛只姿态估计可视化效果。

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，健身和瑜伽教练可以监控并追踪锻炼者的身体动作，专注于关节和四肢等关键点来评估其姿势。收集到的数据可以与理想的姿势和锻炼技巧进行比较，如果有人动作不规范，教练可以收到警报，从而有助于预防受伤。

图 5. 使用姿态估计来分析锻炼。

例如，在瑜伽课期间，姿态估计可以帮助监控所有学生是否保持适当的平衡和对齐。集成计算机视觉和姿态估计的移动应用程序可以使在家锻炼或无法获得私人教练的人更容易进行健身。这种持续的实时反馈可帮助用户改善技术并实现其健身目标，同时降低受伤风险。

使用 Ultralytics YOLO11 模型尝试实时姿态估计#

既然我们已经探讨了什么是姿态估计并讨论了它的一些应用，让我们来看看如何使用新的YOLO11模型来体验姿态估计。要开始使用，有两种便捷的方法：使用Ultralytics Python包或通过Ultralytics HUB。让我们来看看这两种选项。

使用 Ultralytics YOLO11 运行推理#

运行推理涉及YOLO11模型处理其训练集之外的新数据，并利用它学到的模式基于该数据进行预测。你可以通过使用Ultralytics Python包编写代码来运行推理。要开始使用，你只需使用pip、conda或Docker安装Ultralytics包。如果你在安装过程中遇到任何挑战，我们的常见问题指南提供了有用的故障排除提示。

成功安装程序包后，以下代码概述了如何加载模型并将其用于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。

训练自定义的 Ultralytics YOLO11 模型#

假设你正在从事一个计算机视觉项目，并且你拥有一个针对涉及姿态估计的特定应用的特定数据集。然后你可以微调并训练一个自定义YOLO11模型以适合你的应用。例如，你可以使用关键点数据集通过识别四肢、头部和尾部位置等关键特征来分析和理解图像中老虎的姿态。

你可以使用以下代码片段来加载和训练 Ultralytics YOLO11 姿态估计模型。该模型可以根据 YAML 配置构建，或者你可以加载预训练模型进行训练。此脚本还允许你传输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 dataset。

图 7. 自定义训练 Ultralytics YOLO11。

使用新训练的自定义模型，你可以在与你的计算机视觉解决方案相关的未见图像上运行推理。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 上尝试 YOLO11#

到目前为止，我们探讨了需要一些基本编码知识的使用YOLO11的方法。如果这不是你想要的，或者你不熟悉编码，还有另一个选项：Ultralytics HUB。Ultralytics HUB是一个用户友好的平台，旨在简化YOLO模型的训练和部署过程。HUB让你无需技术专业知识即可轻松管理数据集、训练模型并进行部署。

要在图像上运行推理，你可以创建一个账户，导航至“Models”部分，然后选择你感兴趣的 Ultralytics YOLO11 姿态估计模型。在预览部分，你可以上传一张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 为姿态估计等任务提供了准确且灵活的解决方案，适用于广泛的应用场景。从提高建筑工地工人的安全性到监测牲畜健康，再到辅助健身日常中的姿势矫正，YOLO11 通过先进的计算机视觉技术带来了精度和实时反馈。

它的多功能性，配合多种模型变体以及针对特定用例进行自定义训练的能力，使其成为开发者和企业的宝贵工具。无论是通过使用 Ultralytics Python 程序包进行编码，还是使用 Ultralytics HUB 进行更简单的实现，YOLO11 都让姿态估计变得易于获取且影响深远。

要探索更多内容，请访问我们的GitHub仓库，并与我们的社区互动。在我们的解决方案页面上探索制造业和农业中的AI应用。🚀