使用姿态估计完善你的跑步技术

跑步是世界各地广受欢迎的一种运动方式。在美国，约有5000万人经常跑步或慢跑；在日本，跑步是2024年最受欢迎的运动。

你随处都能看到跑步者，尤其是在清晨或傍晚。公园、街道和海滩上，到处都是以不同速度、出于不同目的活动的人们。

有些人按照训练计划锻炼，另一些人则只是随意跑步，以保持活跃或放松心情。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，跑步也并不像看起来那么简单。

姿势或步幅的细微变化都会影响运动表现、舒适度和受伤风险，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。短短几分钟内会发生很多变化，数百个步伐很容易被忽略。这正是计算机视觉发挥作用的地方。它是 AI 的一个分支，可以分析图像和视频，逐帧拆解运动过程，并揭示实时观察中难以发现的规律。

姿态估计是这一方法的关键组成部分。它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方式。支持姿态估计的模型，如 Ultralytics YOLO11 和即将推出的 Ultralytics YOLO26，能够持续跟踪跑步者在各帧中的运动，让实时分析变得更加实用。

图 1. 使用 YOLO11 和姿态估计分析运动员的跑步和训练情况。（来源）

本文将探讨规范的跑步姿势是什么样的，以及如何使用 Ultralytics YOLO 模型分析和改善跑步技术。让我们开始吧！

为什么规范的跑步姿势很重要#

在深入了解跑步的不同要素之前，让我们先仔细看看跑步姿势为何对日常训练很重要。

每位跑步者，无论是出门轻松慢跑，还是为了特定目标而训练，都希望自己的努力有所回报。但姿势、跨步过大或时机方面的小问题可能会悄悄累积，让跑步比必要的程度更费力，并给下肢和关节带来额外压力。

关注身体运动机制可以帮助跑步者提高安全性、降低跑步损伤风险，并获得改善心脏健康、增强肌肉和提升整体体能等益处。良好的跑步姿势始于身体作为一个协调系统进行运动。

当躯干保持对齐并略微前倾，手臂和腿部协调平衡地运动时，能量利用会更高效，动作感觉更流畅，受伤风险也会降低。随着时间推移，跑步姿势还会影响肌肉之间的协同方式。

平衡的动作有助于在力量训练和跑步过程中保持稳定性、良好姿势、耐力和更好的身体对齐。对初学者来说，这为进一步提升打下了坚实基础。对精英跑步者来说，良好的姿势可以提升运动表现，同时减少与疲劳相关的问题和长期不适的风险。

识别规范跑步姿势的表现#

当跑步者开始更加关注自己的动作时，不同跑步风格中都会呈现出一些共同模式。虽然每个人的跑法略有不同，但这些共同要素可以大致说明高效跑步通常是什么样的。

跑步姿势指的是跑步过程中姿势、平衡和动作之间的协同方式。它描述了身体在向前运动时如何保持对齐和协调。观察这些细节可以帮助跑步者发现流畅且受控的动作，以及可能导致额外用力或不适的习惯。

以下是规范跑步姿势中常见的一些要素：

• **腿部运动和步幅：**良好的跑步姿势通常来自放松的抬膝动作和自然稳定的步幅。步幅长度和步频都很重要，每一步伸得过远都会破坏平衡。流畅的蹬地动作能让跑步感觉轻盈而高效。
• **脚部着地和质心：**跑步者的脚部着地方式各不相同，可能是脚跟、全脚掌中部或前脚掌着地。相比具体的着地方式或脚跟着地，更重要的是身体如何平稳地完成每一步的重心转移。保持身体居中可以减少多余动作，让整体更加稳定。
• **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。当这些肌肉以平衡的方式协同工作时，动作会更加稳定，受伤风险也会降低。

图 2. 用于理解跑步步态并成为更出色跑步者的关键身体点。（来源）

许多跑步者还会依靠跑鞋、教练指导和姿势训练来改善跑法。合适的跑鞋可以提升舒适度并减轻关节压力，尤其适合仍在增强力量和保持训练稳定性的初学者。

此外，与跑步教练合作或遵循注重姿势的训练计划，可以帮助跑步者理解规范的跑步姿势、纠正低效习惯，并随着时间推移降低受伤风险。对初学者来说，尽早学会正确的跑步姿势，可以让跑步随着能力提升变得更轻松、更安全，也更有乐趣。

了解如何使用姿态估计分析跑步#

姿态估计是一项计算机视觉任务，用于识别和跟踪人物或物体上的关键点，以确定其在图像或视频中的位置和运动状态。具体而言，人体姿态估计可以逐帧跟踪人体的运动方式。

它不只是检测某一帧中的跑步者，还会持续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可以使用标准摄像头，因此能够应用于许多真实场景。

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

图 3. 姿态估计可用于在热身运动中跟踪关键身体点。（来源）

例如，在深蹲或弓步等常见训练动作中，时机和协调性会显著影响身体的运动方式。步幅、身体对齐或脚部落点的细微变化，都可能影响速度、平衡、控制力和受伤风险。

持续捕捉这些细微变化并不容易。姿态估计无法取代跑步教练，但可以作为一种视觉辅助工具，让跑步者更容易观察不同跑步过程中的姿势、时机和协调性。随着时间推移，它还可以让技术对比和细微调整的发现变得更加高效。

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。

YOLO11 等 Ultralytics YOLO 姿态模型开箱即用，并且已经在 COCO-Pose 等大型标注数据集上完成预训练。这使它们能够检测和跟踪常见的人体关键点，并将相关能力应用于各种场景。

通过跟踪视频帧中的身体关键点所获得的信息，可以用于研究人体随时间的运动方式。这使我们能够分析姿势、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。

当需要更具体的分析结果时，可以对这些模型进行自定义训练。无需从头开始训练模型，只需使用额外的标注数据对预训练的 YOLO 姿态模型进行微调即可。

例如，如果目标是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训练模型，使其学习狗的身体结构和运动模式，同时保留原始训练所获得的通用姿态估计能力。

图 4. 通过姿态估计检测到的狗的关键身体点。（来源）

了解如何使用姿态估计分析跨栏技术#

现在我们已经更好地了解了姿态估计的工作原理，接下来通过一个示例了解如何应用它来分析跨栏技术。

跨栏是一项速度快且技术要求高的运动。在一次跑动中，脚部触地、起跳和落地都发生在几分之一秒内。

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、时机或触地方式上细微但有意义的差异往往会被忽略。

基于计算机视觉的姿态估计通过将标准视频素材转换为结构化数据来解决这一问题。例如，在一项近期研究中，研究人员使用基于 Ultralytics YOLOv8 的模型跟踪下肢关键点。YOLOv8 是较早一代的 Ultralytics YOLO 模型，支持姿态估计，并为 YOLO11 等更新模型奠定了基础。

该研究重点关注脚踝、脚跟和大脚趾等关键点，以分析短跑跨栏过程中的步伐时机、步幅模式和触地情况。通过持续跟踪这些关键点，研究人员能够在真实训练条件下密切监测步伐进程、时机和运动模式。

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支持，就可以分析自己的运动模式，因此适合休闲训练和自主训练。
• **群体扩展性：**同一工作流程可以应用于多名跑步者，非常适合团队、训练小组或研究项目，因为在这些场景中人工观察并不现实。

虽然姿态估计具有多项优势，但也需要考虑以下局限性：

• **摄像头设置：**摄像头角度不当或取景不一致，可能降低对关节角度、步幅模式和步数的捕捉准确性。
• **遮挡：**当身体部分被遮挡，或多名跑步者在画面中相互重叠时，准确性会下降。
• **环境因素：**包括阴影、不平整地面或移动背景在内的户外条件，可能影响测量的一致性。

要点总结#

Ultralytics YOLO 模型和姿态估计正让跑步分析变得更加易于使用。它们可以从普通视频中跟踪身体运动、关节角度和步幅模式，为跑步姿势提供清晰的分析结果。这些工具可以帮助跑步者和教练实时发现低效动作、跟踪改进情况并管理受伤风险。

访问我们的 GitHub 仓库，并加入我们的社区，进一步了解 AI。查看我们的解决方案页面，了解机器人领域的 AI和汽车行业中的计算机视觉。探索我们的许可选项，立即开始使用视觉 AI！