什么是姿态估计以及它能在哪里使用？

当你看到有人无精打采地弯着腰，或是昂首挺胸地站着时，你一眼就能看出他们的姿态是糟糕还是自信。没人需要向你解释。这是因为，随着时间的推移，我们已经自然而然地学会了解读肢体语言。

通过经验和观察，我们的大脑非常擅长识别各种物体（包括人类）的姿势。多亏了人工智能（AI）和computer vision（一项使机器能够解释来自世界的视觉信息的领域）的最新进展，机器现在也开始学习和复制这种能力。

Pose estimation是一项计算机视觉任务，它通过查看图像或视频来帮助机器弄清楚人或物体的位置和方向。它通过识别身体上的关键点（如关节和四肢）来做到这一点，从而理解某人甚至某物是如何运动的。

这项技术正被广泛应用于健身、医疗保健和动画等领域。例如，在工作场所环境中，它可用于监测员工姿势并支持安全与健康计划。诸如Ultralytics YOLO11之类的计算机视觉模型通过实时估计人体姿态使这成为可能。

Fig 1。使用 Ultralytics YOLO11 监控工人姿态的一个例子。

在本文中，我们将深入探讨姿态估计及其工作原理，并介绍它正在产生影响的实际应用案例。让我们开始吧！

姿态估计的演变#

对姿态估计的研究始于20世纪60年代末和70年代。多年来，针对这一computer vision task的方法已经从基础数学和几何学转向了由人工智能驱动的更先进的方法。

最初，这些技术依赖于固定的摄像机角度和已知的参考点。后来，它们演变为包含 3D 模型和特征匹配。如今，像 Ultralytics YOLO11 这样的深度学习模型能够从图像或视频中实时检测身体位置，使姿势估计比以往任何时候都更快、更准确。

随着技术的改进，研究人员看到了监测和跟踪各种物体（尤其是人类和动物）姿态的潜在应用。姿态估计尤为重要，因为它使AI工具能够以以前无法实现的方式理解和测量姿态与运动。

例如，它允许计算机识别手势以实现免提交互，分析运动员的动作以提高表现，为视频游戏中的逼真动画提供动力，甚至通过跟踪病人的康复进度来支持医疗保健。

它与其他计算机视觉任务有何不同？#

姿态估计不同于诸如object detection和实例分割等其他计算机视觉任务。这些任务主要侧重于识别和定位图像中的物体。

例如，目标检测会在人、车辆或动物等项目周围绘制边界框，以表明它们的存在和位置。Instance segmentation则进一步勾勒出每个物体在像素级别的精确形状。

然而，这两种方法主要关注的是物体是什么以及它在哪里——它们不提供关于物体如何定位或它可能在做什么的任何信息。这就是姿态估计变得至关重要的地方。

通过识别身体上的关键点（如肘部、膝盖甚至尾巴），姿态估计可以解读姿态和运动。这使得人们能够更深入地理解动作、手势和身体动态，包括在3D空间中的运动。

了解姿态估计的工作原理#

Pose estimation models通常遵循两种主要方法：自下而上（bottom-up）和自上而下（top-down）。在自下而上的方法中，模型首先检测单个关键点（如手肘、膝盖或肩膀），然后将它们分组，以弄清楚它们属于哪个人或物体。相比之下，自上而下的方法首先检测每个物体（例如图像中的一个人），然后定位该特定物体的关键点。

Fig 2. 自下而上与自上而下的姿态估计方法。

一些较新的模型（例如 Ultralytics YOLO11）融合了这两种方法的优势。它通过跳过手动分组步骤保留了自底向上方法的效率，同时又通过在单一、精简的流程中一次性检测人员并估计其姿态，发挥了自顶向下系统的精度优势。

为姿势估计自定义训练 Ultralytics YOLO11#

当我们探讨姿态估计模型的工作原理时，你可能想知道：这些模型是如何真正学会估计不同物体的姿态的？这就是定制训练这一概念的用武之地。

自定义训练是指教导模型使用你自己的数据来识别特定的关键点。由于从头构建模型需要大量标注图像和大量时间，许多人选择迁移学习。这包括从一个已经在大型数据集上训练过的模型开始，例如在 COCO-Pose dataset 上预训练的 Ultralytics YOLO11 姿态估计模型，然后针对特定任务或用例使用你自己的数据对其进行微调。

假设你正在处理瑜伽姿势——你可以使用每种姿势都标注了该活动特定关键点的图像来微调 Ultralytics YOLO11。为此，你需要一个包含带注释图像的自定义 dataset，供模型学习。

在训练过程中，你可以调整批次大小（一次处理的图像数量）、学习率（模型更新其学习的速度）和周期（模型循环通过数据集的次数）等设置，以提高准确性。这使得构建符合你特定需求的姿态估计模型变得容易得多。

姿态估计的实际应用#

现在我们已经讨论了什么是姿态估计以及它是如何工作的，让我们仔细看看它的一些实际用例。

将姿态估计用于物理治疗#

姿态估计正在逐渐成为医疗行业中一种可靠的工具，特别是在物理治疗领域。利用AI和计算机视觉，这些系统可以实时跟踪姿态和运动，并提供反馈，类似于物理治疗师所能提供的服务。

例如，膝盖手术后康复的病人可以使用姿态估计系统来确保他们正确地进行康复练习。该系统可以发现任何错误的动作并提供改进建议，帮助病人保持进度并避免受伤。

Fig 3。使用 Ultralytics YOLO11 进行理疗的一个例子。

除了康复之外，姿态估计也正在进入fitness apps。例如，在家锻炼的人可以使用该应用程序在锻炼期间检查他们的动作。该应用程序可以提供实时反馈，例如调整深蹲的角度或确保你在做硬拉时背部挺直。这有助于用户改善动作并防止受伤，而无需教练。

由姿态估计实现的娱乐运动捕捉#

姿态估计改变了娱乐领域运动捕捉的工作方式，使其变得更简单且更易于访问。过去，运动捕捉需要在人的身体上放置标记，并用特殊的摄像机对其进行跟踪，这可能既棘手又昂贵。

现在，随着人工智能和计算机视觉的进步，我们可以使用常规cameras和算法来跟踪身体运动，而无需附加标记，这使得即使在实时情况下，整个过程也更加高效和准确。

一个很好的例子是Disney's AR (Augmented Reality) Poser。这个有趣的工具让你可以用手机拍照，并让数字角色在增强现实中复制你的姿势。它的工作原理是分析你在照片中的姿势并将其与3D角色匹配，从而创作出一个有趣、个性化的AR自拍照。

Fig 4. AR角色使用姿态估计模仿人的姿势。

由动物姿态估计驱动的社会行为研究#

研究动物行为有助于科学家了解动物如何交流、寻找配偶、照顾幼崽以及群体生活。这些知识对于保护野生动物和深入了解自然世界至关重要。

姿态估计通过使用图像和视频tracking animal运动和姿势简化了这一过程，而无需在动物身上附加传感器或标签。这些系统可以自动监测它们的姿势，从而深入了解梳理毛发、玩耍或打架等行为。

一个有趣的例子是科学家使用姿态估计来研究类人猿的行为。实际上，研究人员已经汇编了诸如OpenApePose之类的数据集，其中包含来自六种猿类的超过71,000张标注图像。

Fig 5. 猿类姿态估计。

姿态估计的优缺点#

以下是姿态估计可以为各行业带来的一些主要益处：

• Scalability: 姿态估计系统可以部署在从智能手机到高级摄像头设置的各种设备上，使其具有高度的可扩展性，并且易于用于不同的用例和环境。
• 经济高效： 由于姿态估计依赖于普通摄像机，不需要昂贵的传感器或标签，因此它在研究和商业应用中跟踪运动可以成为一种更具成本效益的解决方案。
• 持续监测： 姿态估计系统可以提供持续的实时跟踪，从而实现对随时间变化的监测，无论是针对康复中的病人的进展，还是在野外跟踪动物的行为。

虽然姿态估计在各个领域的优势显而易见，但也有一些挑战需要考虑。以下是需要牢记的几个关键限制：

• 泛化能力有限： 许多在人类数据集上训练的模型在没有针对特定数据集进行再训练的情况下，不能很好地泛化到动物或不常见的身体结构上。

• 环境限制： 在光线昏暗、快速运动模糊或背景杂乱的情况下，性能可能会下降。

• 对遮挡高度敏感： 当身体部位被遮挡或超出画面时，准确性会下降，尤其是在拥挤场景或多人跟踪中。

关键要点#

姿势估计自早期以来已经取得了长足的进步，从使用标记的系统演变为由像 Ultralytics YOLO11 这样的深度学习模型驱动的有影响力工具。无论是改善物理治疗、赋能交互式 AR 体验，还是协助野生动物研究，姿势估计都在改变机器理解动作和姿势的方式。随着技术的不断发展，解决其局限性将是释放更多实际应用并使机器更好地理解我们及其他生物如何运动的关键。

对人工智能好奇吗？探索我们的GitHub repository，与our community建立联系，并查看our licensing options以快速启动你的计算机视觉项目。在我们的解决方案页面上了解有关AI in retail和computer vision in the logistics行业等创新的更多信息。