使用姿势估计完善你的跑步技术

跑步是风靡全球的一种运动。在美国，约有 5000 万人经常跑步或慢跑。

你随处都能看到跑步的人，尤其是在清晨或傍晚。公园、街道和海滩上挤满了以不同速度、出于各种原因活动的人。

有些人按照训练计划锻炼，另一些人则随意跑跑，以保持活力或理清思绪。对很多人来说，跑步只是每天活动身体的一种简单方式。即便如此，跑步也不像看起来那么简单。

姿势或步幅的细微变化会影响表现、舒适度和受伤风险，也可能导致背痛等问题。留意身体的运动方式，有助于跑者保持健康，并从训练中获得更多益处，无论是提升耐力、力量还是整体体能。

然而，跑步时很难捕捉到这些细节。短短几分钟内就会发生很多事情，数百个容易被忽略的步伐一闪而过。这时就需要计算机视觉了。它是 AI 的一个分支，可以分析图像和视频，逐帧拆解动作并揭示实时难以发现的模式。

姿态估计是这一方法的关键部分。这是一项计算机视觉任务，可用于跟踪身体关节及其随时间的运动。像 Ultralytics YOLO11 和更新的 Ultralytics YOLO26 这样的模型支持姿态估计，并能在连续帧中稳定跟踪跑者的动作，使实时分析更加实用。

图 1. 使用 YOLO11 和姿势估计分析运动员跑步和训练。（来源）

本文将探讨良好的跑步姿势是什么样的，以及如何利用 Ultralytics YOLO 模型分析并改进跑步技术。

规范跑姿为何重要#

在深入探讨跑步的不同要素之前，我们先仔细看看跑姿为何在日常训练中如此重要。

无论是轻松慢跑，还是为特定目标而努力，每位跑者都希望自己的付出有所回报。但姿势、步幅过大或时机方面的小问题可能悄悄累积，让跑步变得比必要时更吃力，并给下肢和关节带来额外压力。

关注身体力学有助于跑者提升安全性、降低跑步受伤风险，并获得改善心脏健康、增强肌肉和提升整体体能等益处。规范的跑姿始于身体各部分协调配合。

躯干保持正直并略微前倾，同时手臂和双腿协调配合时，能量利用会更高效，动作也更流畅，受伤风险随之降低。随着时间推移，跑姿还会影响肌肉之间的协同方式。

协调的动作有助于在力量训练和跑步中保持稳定、姿势端正、耐力充足和身体对齐。对初学者来说，这能打下坚实基础；对精英跑者来说，则能提升表现，同时减少疲劳相关问题和长期不适的风险。

识别规范跑姿的特征#

当跑者开始更加留意自己的动作时，不同跑步方式中会出现一些共同模式。虽然每个人的跑姿略有不同，但这些共同要素可以大致说明高效跑步通常是什么样子。

跑姿指的是跑步时姿势、平衡和动作如何协同配合。它描述身体向前移动时如何保持对齐和协调。观察这些细节，有助于跑者发现流畅、可控的动作，以及可能导致额外消耗或不适的习惯。

规范跑姿通常包含以下一些常见要素：

• 腿部动作和步幅：良好的跑姿通常表现为轻松抬膝，步幅稳定自然。步幅长度和步频都很重要，每一步向前迈得太远可能会破坏平衡。平稳蹬地能让跑步感觉轻快高效。
• 足部着地和身体重心：跑者的着地方式各不相同，可能以前脚跟、中足或前脚掌着地。比具体的着地方式或脚跟着地更重要的是，身体能否随着每一步平稳移动。保持重心居中可以减少多余动作，让身体更加稳定。
• 肌肉协调：跑步会调动多组肌肉，包括臀肌、股四头肌、腘绳肌和髋屈肌。当这些肌肉协调配合时，动作会更加稳定，受伤风险也会降低。

图 2. 理解跑步步态、成为更优秀跑者的关键身体点位。（来源）

许多跑者还会借助跑鞋、教练指导和跑姿建议来改善跑步方式。合适的跑鞋有助于提升舒适度、减轻关节压力，对仍在增强力量和稳定性的跑步新手尤其如此。

此外，跟随跑步教练训练或采用注重跑姿的训练计划，有助于跑者理解规范跑姿、纠正低效习惯，并逐步降低受伤风险。尤其对初学者来说，尽早掌握正确跑姿，可以让跑步随着能力提升变得更轻松、更安全、更愉快。

了解如何使用姿势估计分析跑步#

姿态估计是一项计算机视觉任务，通过识别和跟踪人或物体上的关键点，确定它们在图像或视频中的位置和运动情况。具体来说，人体姿态估计可以逐帧跟踪人体的运动。

它不只是检测某一帧中的跑者，还会跟踪不同身体部位随时间的运动，从而支持详细的步态和跑步生物力学分析。姿势估计的一大优势是可以使用普通摄像头，因此能应用于许多现实场景。

支持姿势估计的 YOLO11 等模型可以逐帧跟踪跑者，无论跑者是在跑步机上还是户外。模型通过识别肩部、臀部、膝盖、脚踝和肘部等关键点，将不同时刻的身体动作关联起来，从而揭示整体运动情况和关节屈曲模式。

图 3. 姿势估计可用于跟踪热身练习中的关键身体点位。（来源）

例如，在深蹲或弓步等常见的健身动作中，时机和协调性会显著影响身体的运动方式。步幅、身体对齐方式或脚部落点的细微变化，都会影响速度、平衡、控制能力和受伤风险。

持续捕捉这些细微变化并不容易。姿态估计无法取代跑步教练，但它可以作为一种视觉辅助工具，让你更容易观察每次跑步时的姿势、时机和协调性。随着时间推移，它还能让你更轻松地比较跑步技术并发现细微调整。

Ultralytics YOLO 模型如何支持跑步技术分析#

接下来，我们来看看 Ultralytics YOLO 模型如何支持姿势估计等任务。

Ultralytics YOLO 姿态模型（如 YOLO11）开箱即用，并且已经在 COCO-Pose 等大型标注数据集上完成预训练。因此，这些模型能够检测和跟踪常见的人体关键点，并将学到的能力应用于各种场景。

通过跟踪视频帧中的身体关键点收集到的洞察，可用于研究人们随时间变化的运动方式。这样就能分析姿势、步幅模式、关节运动和协调性，而这些都是跑步技术的关键方面。

如果需要更具体的洞察，可以对这些模型进行自定义训练。你无需从头开始训练模型，而是可以使用额外的标注数据对预训练的 YOLO 姿势模型进行微调。

例如，如果你想构建一个分析狗如何奔跑的解决方案，可以使用专门针对狗的标注姿态数据（例如 Dog-Pose 数据集）训练模型，让模型学习狗的身体结构和运动模式，同时保留其原始训练所获得的通用姿态估计能力。

图 4. 为姿势估计检测到的狗狗关键身体点位。（来源）

使用姿势估计分析跨栏技术#

了解姿势估计的工作原理后，我们来通过一个示例，看看如何用它分析跨栏技术。

跨栏是一项速度快、技术要求高的运动。一次跑动中，脚部触地、起跳和落地都在不到一秒的时间内发生。

由于这些动作发生得非常快，仅凭肉眼或人工回看视频很难观察到重要细节。因此，步幅节奏、时机或触地情况中一些细微但重要的差异常常会被忽略。

基于计算机视觉的姿势估计通过将普通视频影像转换为结构化数据来解决这个问题。例如，在一项近期研究中，研究人员使用基于 Ultralytics YOLOv8 的模型跟踪下半身关键点。YOLOv8 是较早一代的 Ultralytics YOLO 模型，支持姿势估计，并为 YOLO11 等较新模型奠定了基础。

这项研究聚焦于脚踝、脚跟和大脚趾等关键点，以分析跨栏冲刺过程中的步伐时序、步幅模式和着地情况。通过持续追踪这些关键点，研究人员得以在真实训练条件下密切监测步伐进展、时序和运动模式。

使用计算机视觉进行步态分析的优缺点#

以下是使用姿态估计分析跑步技巧的一些主要优势：

• 客观反馈：姿态估计基于测量得到的身体关键点提供一致的视觉数据，而不是依赖个人判断。这有助于降低评估运动范围时的主观性。
• 自我复盘：跑步者无需持续获得教练指导，就能分析自己的运动模式，因此适合休闲跑步和自主训练。
• 适用于大规模群体：同一工作流程可应用于多名跑步者，适合团队、训练小组或研究项目，因为在这些场景中，人工观察并不切实际。

姿态估计有诸多优势，但也有一些需要考虑的局限：

• 相机设置：相机角度不正确或取景不一致，都会降低关节角度、步幅模式和步数的捕捉准确度。
• 遮挡：如果身体部位被挡住，或画面中多名跑步者相互重叠，准确度就会下降。
• 环境因素：室外条件（包括阴影、不平整的地面或移动的背景）会影响测量的一致性。

要点#

Ultralytics YOLO 模型和姿态估计让跑步分析变得更容易上手。它们可以通过普通视频跟踪身体运动、关节角度和步幅模式，清晰呈现跑步姿势。这些工具能帮助跑者和教练发现低效动作、跟踪进步，并实时管理受伤风险。

访问我们的 GitHub 仓库，并加入我们的社区，了解更多 AI 相关内容。查看我们的解决方案页面，了解体育领域的计算机视觉和机器人领域的 AI。探索我们的许可选项，立即开始使用视觉 AI！