了解如何使用Ultralytics YOLO11 模型进行准确的姿势估计 。我们将介绍各种应用的实时推断和自定义模型训练。
Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
了解如何使用Ultralytics YOLO11 模型进行准确的姿势估计 。我们将介绍各种应用的实时推断和自定义模型训练。
计算机视觉是人工智能（AI）的一个分支，其相关研究可以追溯到 20 世纪 60 年代。然而，直到 2010 年代，随着深度学习的兴起，我们才看到机器在理解图像方面取得了重大突破。计算机视觉领域的最新进展之一是尖端的 Ultralytics YOLO11模型。YOLO11 模型在Ultralytics的年度混合活动 YOLO Vision 2024（YV24）上首次推出，支持一系列计算机视觉任务，包括姿势估计 。
姿势估计可用于detect 图像或视频中人或物体的关键点，以了解其位置、姿势或动作。它被广泛应用于体育分析、动物行为监测和机器人等领域，帮助机器实时解读物理动作。与YOLO （You Only Look Once，只看一次）系列的早期型号相比，YOLO 的准确性、效率和速度都有了很大提高、 YOLO11非常适合实时姿势估计 任务。
在本文中，我们将探讨什么是 "姿势估计 估计"，讨论它的一些应用，并介绍如何使用 YOLO11与Ultralytics Python 软件包一起进行姿势估计 估计。我们还将介绍如何使用Ultralytics HUB，只需点击几下，就能试用YOLO11 和姿势估计 估计。让我们开始吧
在深入探讨如何使用Ultralytics YOLO11 新模型进行姿势估计 估计之前，我们先来了解一下姿势估计 估计。
姿势估计 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势估计 。深度学习模型，如 YOLO11等深度学习模型可以识别、定位和track 给定物体或人物上的关键点。对于物体来说，这些关键点可能包括角落、边缘或明显的表面标记，而对于人类来说，这些关键点代表了主要关节，如肘关节、膝关节或肩关节。
与其他计算机视觉任务（如物体检测）相比，姿势估计既独特又复杂。物体检测是通过在物体周围画一个框来定位图像中的物体，而姿势估计 则是通过预测物体上关键点的准确位置来进一步定位物体。
说到姿势估计 ，主要有两种方法：自下而上和自上而下。自下而上的方法是先检测单个关键点，然后将它们组合成骨架，而自上而下的方法则是先检测物体，然后估计其中的关键点。
YOLO11 结合了自上而下和自下而上两种方法的优点。与自下而上的方法一样，它无需对关键点进行手动分组，因此操作简单快捷。同时，它还利用了自上而下方法的准确性，只需一步即可检测人物并估算其姿势。
YOLO11 在姿势估计 方面的多功能为许多行业开辟了广泛的应用前景。让我们仔细看看YOLO11 的一些姿势估计 应用案例。
安全是任何建筑项目的重要方面。 尤其如此，因为从统计数据来看，建筑工地上的工伤事故发生率较高。 2021 年，约 20% 的与工作相关的致命伤害发生在建筑工地或其附近。 每天都面临着重型设备和电气系统等风险，因此强有力的安全措施对于确保工人安全至关重要。 传统的诸如使用标志、路障以及主管进行人工监控等方法并不总是有效，并且经常使主管无法执行更关键的任务。
人工智能可以提高安全性，使用基于姿势估计 的工人监控系统可以降低事故风险。Ultralytics YOLO11 模型可用于track 工人的动作和姿势。任何潜在的危险，如工人站得离危险设备太近或不正确地执行任务，都能被迅速发现。如果检测到风险，可以通知主管人员，或发出警报提醒工人。持续监控系统可以时刻警惕危险并保护工人，从而使建筑工地更加安全。
农场主和研究人员可以利用YOLO11 研究牛等农场动物的运动和行为，以detect 跛足等疾病的早期迹象。跛足是指动物因腿部或脚部疼痛而难以正常行动。对于牛来说，跛足等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，在全球奶牛业中，8%的牧场牛和15%至30%的圈养牛跛足。及早发现和解决跛足问题有助于改善动物福利，减少与这种疾病相关的生产损失。
YOLO11的姿势估计 功能可以帮助养殖户track 动物的步态，并快速识别任何可能预示着健康问题（如关节问题或感染）的异常情况。及早发现这些问题可以加快治疗速度，减少动物的不适感，帮助养殖户避免经济损失。
视觉人工智能监控系统还能帮助分析休息行为、社会互动和进食模式。农民还可以利用姿势估计 来观察动物的压力或攻击迹象。这些见解可用于为动物创造更好的生活条件，提高它们的福利。
姿势估计还可以帮助人们在健身时实时改善姿势。通过YOLO11，健身房和瑜伽教练可以监控和track 健身者的身体动作，重点关注关节和肢体等关键点，以评估他们的姿势。收集到的数据可以与理想的姿势和锻炼技巧进行比较，如果有人的动作不正确，教练可以收到警报，帮助防止受伤。
例如，在瑜伽课上，姿势估计 可以帮助监控所有学生是否都保持了适当的平衡和对齐。集成了计算机视觉和姿势估计 的移动应用程序可以让在家健身或没有私人教练的人更方便地进行健身。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，同时降低受伤的风险。
现在，我们已经了解了什么是 "姿势估计 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 模型来尝试姿势估计 。要开始使用，有两种便捷的方法：使用Ultralytics Python 软件包或通过Ultralytics HUB。让我们来看看这两种方法。
运行推理涉及YOLO11 模型处理其训练 集之外的新数据，并使用所学模式根据这些数据进行预测。您可以使用Ultralytics Python 软件包通过代码运行推理。您只需使用 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任何问题，我们的《常见问题指南》会提供有用的故障排除技巧。
成功安装该软件包后，以下代码概述了如何加载模型并使用它来预测图像中物体的姿势。
比方说，您正在做一个计算机视觉项目，您有一个特定的数据集，用于涉及姿势估计 的特定应用。然后，您可以微调和训练一个自定义的YOLO11 模型，以满足您的应用需求。例如，您可以使用关键点数据集，通过识别老虎的四肢、头部和尾部位置等关键特征，来分析和了解图像中老虎的姿势估计 。
您可以使用以下代码片段加载和训练YOLO11 姿势估计 模型。该模型可以通过YAML 配置构建，也可以加载预训练模型进行训练。该脚本还能让你传输权重，并使用指定的数据集开始训练模型，例如用于姿势估计 估计的COCO 数据集。
使用新训练的自定义模型，您可以在与您的计算机视觉解决方案相关的未见图像上运行推理。训练后的模型也可以使用导出模式转换为其他格式。
到目前为止，我们已经了解了需要一些基本编码知识才能使用YOLO11 方法。如果这不是你想要的，或者你不熟悉编码，还有另一种选择：Ultralytics HUB。Ultralytics HUB 是一个用户友好型平台，旨在简化YOLO 模型的训练和部署过程。HUB 可以让您轻松管理数据集、训练模型并部署模型，而无需专业技术知识。
要对图像进行推断，您可以创建一个账户，导航到 "模型 "部分，然后选择您感兴趣的YOLO11 姿势估计 模型。在预览部分，您可以上传图像并查看预测结果，如下图所示。
Ultralytics YOLO11 为各种应用中的姿势估计 等任务提供了精确而灵活的解决方案。从改善建筑工地工人的安全状况，到监测牲畜健康状况以及在健身过程中协助纠正姿势，YOLO11 通过先进的计算机视觉技术带来了精确度和实时反馈。
YOLO11 的多功能性、多种模型变体以及针对特定用例进行定制训练的能力，使其成为开发人员和企业非常有价值的工具。无论是使用Ultralytics Python 软件包进行编码，还是使用Ultralytics HUB 进行更简便的实施，YOLO11 都能让估算姿势估计 变得简单易行、极具影响力。
要了解更多信息，请访问我们的 GitHub 存储库，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。🚀
