使用姿势估计来完善你的跑步技术

跑步是全球风靡的一种锻炼方式。在美国，大约有 50 million people 经常跑步或慢跑；而在日本，跑步是 2024 年最受欢迎的运动。

你可以随处见到跑步者，尤其是在清晨或傍晚。公园、街道和海滩上挤满了出于各种原因、以不同速度运动的人们。

有些人遵循训练计划，而另一些人则通过慢跑来保持活力或清醒头脑。对许多人来说，跑步只是每天活动身体的一种简单方式。但即便如此，它也并不像看起来那么简单。

姿势或步幅的微小变化都会影响表现、舒适度以及受伤风险，包括背痛等问题。关注身体的运动方式可以帮助跑步者保持更健康的状态，并从训练中获得更多收益，无论是提高耐力、力量还是整体体能。

然而，这些细节在跑步时很难捕捉到。在短短几分钟内会发生很多事情，数百个步伐很容易被忽视。这就是 computer vision 发挥作用的地方。它是 AI 的一个分支，能够分析图像和视频，逐帧分解运动，并揭示实时中难以发现的模式。

Pose estimation 是这种方法的核心部分。这是一项计算机视觉任务，可用于追踪身体关节及其随时间的运动情况。像 Ultralytics YOLO11 和即将推出的 Ultralytics YOLO26 这样的模型支持 pose estimation，并能在多帧之间持续追踪跑步者的动作，让实时分析变得更加实用。

图 1. 使用 YOLO11 和 pose estimation 分析跑步和训练中的运动员。(来源)

在本文中，我们将探讨正确的跑步姿态是什么样的，以及如何利用 Ultralytics YOLO 模型来分析和改进跑步技术。让我们开始吧！

为什么正确的跑步姿态很重要#

在深入了解跑步的各个要素之前，让我们仔细看看为什么跑步姿态在日常训练中很重要。

每一位跑步者，无论是进行简单的慢跑还是朝着特定目标努力，都希望自己的付出有所回报。但姿势、步幅过大或节奏上的小问题会悄悄累积，让跑步感觉比实际更费力，并给下肢和关节带来额外压力。

关注身体力学有助于跑步者保持安全，降低跑步受伤的风险，并获得改善心脏健康、增强肌肉和整体体能等益处。良好的跑步姿态始于身体作为一个协调系统的运动。

当躯干保持平衡且略微前倾，手臂和腿部协调工作时，能量使用会更有效率，动作感觉更平稳，受伤风险也会降低。随着时间的推移，姿态也会塑造肌肉的协同工作方式。

平衡的运动有助于在力量训练和跑步时保持稳定性、姿势、耐力和更好的对齐。对于初学者来说，这创造了一个坚实的训练基础。对于精英跑步者来说，它能提升表现，同时减少疲劳相关的问题和长期不适的风险。

识别拥有正确跑步姿态的标志#

当跑步者开始更密切地关注他们的运动方式时，某些模式会出现在不同的跑步风格中。虽然每个人的跑步方式略有不同，但这些共同要素提供了高效跑步通常样子的基本概念。

跑步姿态是指姿势、平衡和运动在跑步过程中如何协同工作。它描述了身体在向前移动时如何保持对齐和协调。观察这些细节有助于跑步者发现那些感觉平稳和受控的动作，以及可能导致额外费力或不适的习惯。

以下是正确跑步姿态中常见的几个要素：

• 腿部运动和步幅： 良好的跑步姿态通常来自放松的抬膝动作和感觉自然的稳定步幅。步长和步频很重要，每一步迈得太远会破坏平衡。平稳的蹬地可以让跑步感觉轻盈高效。
• 落地方式和重心： 跑步者的落地方式各不相同，无论是脚跟、脚掌中部还是前脚掌落地。比准确的落地或脚跟触地更重要的是身体在每一步上的平稳过渡。保持重心有助于减少多余晃动，保持稳定性。
• 肌肉协调： 跑步会调动多个肌肉群，包括臀肌、股四头肌、腘绳肌和髋屈肌。当这些肌肉以平衡的方式共同工作时，动作会保持稳定，受伤风险也会降低。

图 2. 理解跑步步态并成为更好跑步者的身体关键点。(来源)

许多跑步者还依赖跑步鞋、教练和姿态指导来改进跑步方式。合适的跑步鞋可以提供舒适感并减少关节压力，特别是对于仍在建立力量和一致性的新跑步者。

此外，与跑步教练合作或遵循以姿态为重点的训练计划可以帮助跑步者理解正确的跑步姿态，纠正低效习惯，并降低长期受伤的风险。特别是对于初学者，尽早学习正确的跑步姿态可以让他们在进步的过程中感受到跑步变得更容易、更安全且更愉快。

了解如何使用姿态估计来分析跑步#

Pose estimation 是一项计算机视觉任务，可识别并追踪人或物体上的关键点，以确定它们在图像或视频中的位置和运动。特别是，人体 pose estimation 可以实现逐帧追踪人体运动的方式。

它不仅仅是检测帧中的跑步者，还能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。姿态估计的主要优势之一是它可以使用标准摄像头，使其在许多现实场景中都易于实现。

像 YOLO11 这样支持姿态估计的模型可以逐帧跟踪跑步者，无论是在跑步机上还是户外。通过识别肩部、臀部、膝盖、脚踝和肘部等关键点，该模型可以将身体运动随时间联系起来，揭示整体运动和关节屈曲模式。

图 3. Pose estimation 可用于追踪热身运动期间的身体关键点。(来源)

例如，在深蹲或弓步等常见的锻炼动作中，节奏和协调性对身体的运动方式影响巨大。步幅、身体对齐或落脚位置的微小变化都可能影响速度、平衡、控制力和受伤风险。

持续捕捉这些微小变化并不容易。姿态估计不能取代跑步教练，但它可以作为一种视觉辅助工具，让姿势、节奏和协调性在跑步过程中更容易观察。随着时间的推移，它还能简化技术对比并更容易发现细微的调整。

Ultralytics YOLO 模型如何支持跑步技术分析#

接下来，让我们看看 Ultralytics YOLO 模型如何支持姿态估计等任务。

像 YOLO11 这样的 Ultralytics YOLO pose 模型开箱即用，并在 COCO-Pose 等大型标注数据集上经过预训练。这使它们能够检测和追踪常见的人体关键点，并将该知识应用到各种应用程序中。

从跨视频帧跟踪身体关键点所收集的见解，可用于研究人们随时间的运动方式。这使得分析姿势、步幅模式、关节运动和协调性成为可能，而这些正是跑步技术的关键方面。

当需要更具体的洞察时，可以对这些模型进行自定义训练。预训练的 YOLO pose 模型无需从头开始训练，而是可以使用额外的标注数据进行微调。

例如，如果目标是构建一个分析狗跑步方式的解决方案，则可以使用针对狗的标注姿态数据对模型进行训练，使其学习它们的身体结构和运动模式，同时保留其原始训练中所具备的通用姿态估计能力。

图 4. 为 pose estimation 检测到的狗的身体关键点。(来源)

浅谈利用姿态估计来分析跨栏技术#

现在我们对姿态估计的工作原理有了更好的了解，让我们通过一个示例来看看它如何应用于分析跨栏技术。

跨栏是一项速度快且技术要求高的运动。在单次跑步中，脚部接触、起跳和落地都在几分之一秒内发生。

由于这些动作发生得非常快，通过肉眼观察或手动查看视频很难观察到重要细节。因此，步频、节奏或地面接触方面微小但有意义的差异往往被忽略。

基于 computer vision 的 pose estimation 通过将标准视频素材转换为结构化数据来解决这个问题。例如，在最近的一项研究中，研究人员使用基于 Ultralytics YOLOv8 的模型来追踪下半身关键点。YOLOv8 是 Ultralytics YOLO 模型较早的一代，支持 pose estimation，并为 YOLO11 等更新的模型奠定了基础。

该研究重点关注踝关节、脚跟和大脚趾等关键点，以分析跨栏短跑过程中的步幅时间、步幅模式和地面接触情况。通过随着时间推移追踪这些关键点，研究人员能够密切监控实际训练条件下的步伐进展、时间和运动模式。

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术的一些主要好处：

• 客观反馈： 姿态估计提供基于测量的身体关键点的持续视觉数据，而非个人主观判断。这有助于在评估运动范围时减少主观性。
• 自我评估： 跑步者无需持续的教练支持即可分析自己的运动模式，这对于休闲和独立训练非常有用。
• 群体可扩展性： 相同的工作流程可应用于多个跑步者，这非常适合团队、训练小组或手动观察不切实际的研究。

虽然姿态估计提供了多种优势，但这里有一些需要考虑的局限性：

• 相机设置： 不正确的拍摄角度或不一致的取景可能会降低捕捉关节角度、步幅模式和步数准确性的能力。
• 遮挡： 如果身体部分被遮挡或多名跑步者在画面中重叠，准确度会下降。
• 环境因素： 户外条件，包括阴影、不平坦的表面或移动的背景，都可能影响测量的连贯性。

关键要点#

Ultralytics YOLO 模型和姿态估计正使跑步分析变得更加普及。它们可用于从普通视频中跟踪身体运动、关节角度和步幅模式，从而对跑步姿态提供清晰的见解。这些工具能够帮助跑步者和教练实时发现低效问题、追踪改进情况并管理受伤风险。

访问我们的 GitHub repository 并加入我们的 community，探索更多关于 AI 的内容。查看我们的解决方案页面，了解机器人领域的 AI 和汽车领域的计算机视觉。立即探索我们的授权选项，开启你的视觉 AI 之旅！