如何使用 Ultralytics YOLO11 进行姿态估计

计算机视觉是人工智能 (AI) 的一个分支，相关研究可以追溯到 20 世纪 60 年代。然而，直到 2010 年代深度学习兴起后，机器理解图像的能力才取得重大突破。计算机视觉领域的一项重要进展是 Ultralytics YOLO11 模型系列（此后已由 Ultralytics YOLO26 取代）。YOLO11 模型首次在 Ultralytics 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，以了解其位置、姿势或动作。它广泛应用于体育分析、动物行为监测和机器人等领域，帮助机器实时解读肢体动作。与 YOLO (You Only Look Once) 系列早期模型相比，YOLO11 的精度、效率和速度都有所提升，因此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。

本文将介绍什么是姿态估计，探讨它的一些应用，并逐步讲解如何使用 YOLO11 和 Ultralytics Python 软件包进行姿态估计。我们还会介绍如何通过几个简单的点击，在 Ultralytics HUB（现为 Ultralytics Platform）上试用 YOLO11 和姿态估计。现在就开始吧！

什么是姿态估计？#

在了解如何使用 Ultralytics YOLO11 进行姿态估计之前，我们先来深入了解姿态估计。

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物或物体的姿态。Ultralytics YOLO11 等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、边缘或独特的表面标记；对于人体，这些关键点则代表肘部、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，而姿态估计更进一步，会预测物体上各个关键点的精确位置。

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

姿态估计主要有两种工作方式：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；自顶向下的方法则先检测物体，再估计物体上的关键点。

Ultralytics YOLO11 融合了自顶向下和自底向上方法的优势。与自底向上方法类似，它简单快速，无需手动组合关键点。同时，它利用自顶向下方法的准确性，在单个步骤中检测人物并估计其姿态。

Ultralytics YOLO11 的姿态估计应用场景#

Ultralytics YOLO11 强大的姿态估计能力，为众多行业带来了广泛的应用可能。让我们深入了解 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#

安全是任何建筑施工项目的重要环节。施工现场的工伤事故较多，因此这一点尤为重要。2021 年，所有与工作相关的致命伤害事故中，约有 20% 发生在施工现场或其附近。施工现场每天都面临重型设备和电气系统等风险，因此必须采取严格的安全措施来保护工人。使用标识、路障并由主管进行人工监控等传统方法并不总是有效，而且常常让主管无法专注于更重要的任务。

AI 可以帮助提升安全水平；借助基于姿态估计的工人监控系统，还能降低事故风险。Ultralytics YOLO11 模型可用于跟踪工人的动作和姿势，从而快速发现潜在危险，例如工人距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。持续监控系统能够随时留意危险并保护工人，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 研究牛等牲畜的行动和行为，以发现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行动的一种状况。对于奶牛，跛行等疾病不仅会影响健康和福利，还会导致奶牛场的生产问题。研究表明，在全球乳制品行业中，跛行影响了牧场饲养系统中约 8% 的牛，以及集约化饲养系统中 15% 至 30% 的牛。及早发现并处理跛行，有助于改善动物福利，并减少这种状况造成的生产损失。

Ultralytics YOLO11 的姿态估计功能可以帮助农民跟踪动物的步态，并快速发现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加快治疗速度，减轻动物的不适，也能帮助农民避免经济损失。

启用视觉 AI 的监控系统还可以帮助分析动物的休息行为、社交互动和进食模式。农民也可以利用姿态估计观察动物是否出现压力或攻击行为的迹象。这些见解有助于为动物营造更好的生活环境，提升其福祉。

图 4. 奶牛姿态估计可视化效果。

Ultralytics YOLO11 在健身行业的应用场景#

姿态估计还有助于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，以评估姿势。教练可以将收集到的数据与标准姿势和锻炼技巧进行比较；如果有人动作不正确，教练还会收到提醒，从而帮助预防受伤。

图 5. 使用姿态估计分析锻炼动作。

例如，在瑜伽课上，姿态估计可以帮助监测所有学员是否保持正确的平衡和身体 alignment。集成计算机视觉和姿态估计的移动应用，可以让居家锻炼者或无法获得私人教练指导的人更容易进行健身训练。这种持续的实时反馈可以帮助用户改善动作技巧、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#

了解了姿态估计的含义并讨论了它的一些应用后，接下来看看如何使用 YOLO11 尝试姿态估计。你可以通过两种便捷的方式开始：使用 Ultralytics Python 包，或通过 Ultralytics HUB 操作。我们来看看这两种方式。

使用 Ultralytics YOLO11 运行推理#

执行推理时，YOLO11 模型会处理训练集之外的新数据，并利用学到的模式根据这些数据进行预测。你可以通过 Ultralytics Python 软件包运行代码推理。只需使用 pip、conda 或 Docker 安装 Ultralytics 软件包，即可开始使用。如果在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查建议。

成功安装软件包后，以下代码将演示如何加载 YOLO11 姿态模型，并使用该模型预测图像中物体的姿态。

图 6. 使用 Ultralytics YOLO11 运行推理的代码示例。

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，并且有一个用于特定姿态估计应用的数据集。那么，你可以对 YOLO11 模型进行微调和训练，使其适用于你的应用。例如，你可以使用关键点数据集，通过识别老虎四肢、头部和尾巴的位置等关键特征，分析并了解图像中老虎的姿态。

你可以使用以下代码示例来加载并训练 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，你可以对与计算机视觉方案相关的未见过的图像进行推理。你还可以通过导出模式将训练好的模型转换为其他格式。

在 Ultralytics HUB 上试用 YOLO11#

到目前为止，我们介绍了如何使用 YOLO11，这些方法需要具备一些基础编程知识。如果这不是你想要的，或者你不熟悉编程，还有另一种选择：Ultralytics HUB。Ultralytics HUB 是一个易于使用的平台，旨在简化 YOLO 模型的训练和部署流程。借助 HUB，你可以轻松管理数据集、训练模型并部署模型，无需具备专业技术知识。

要对图像运行推理，你可以创建账户，进入“模型”部分，然后选择你感兴趣的 Ultralytics YOLO11 姿态估计模型。在预览区域上传图像，即可查看如下所示的预测结果。

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 为各种应用中的姿态估计等任务提供了准确、灵活的解决方案。从提升建筑工地的工人安全，到监测牲畜健康，再到协助健身训练中的姿势矫正，YOLO11 借助先进的计算机视觉技术实现精准检测和实时反馈。

该模型用途广泛，提供多个变体，还能针对特定用例进行自定义训练，因此对开发者和企业都很有价值。无论是通过 Ultralytics Python 软件包编写代码，还是使用 Ultralytics HUB 简化实施流程，YOLO11 都让姿态估计更易于使用，也更具实用价值。

如需进一步探索，请访问我们的 GitHub 代码库，并加入我们的社区。你还可以在我们的解决方案页面上探索制造业和农业领域中的 AI 应用。