Keypoints

了解关键点如何定义 AI 中的对象几何和姿态。探索 Ultralytics YOLO26 的姿态估计，并开始使用我们易于使用的 Python SDK。

关键点是图像中定义对象或主体重要特征的独特空间位置或地标。在计算机视觉和机器学习的上下文中，关键点通常由一组坐标 (X, Y) 表示，这些坐标精确定位对象的特定部分，例如人的手肘、建筑物的角落或汽车车轮的中心。与仅识别对象存在的简单任务不同，识别关键点允许人工智能 (AI) 模型理解主体的几何形状、姿态和结构排列。此功能是高级视觉分析的基础，使机器能够解释身体语言、跟踪精确运动并将数字叠加层与真实世界的对象对齐。

关键点在 AI 模型中的作用#

关键点是姿态估计的基础数据，这是一种绘制人类或动物骨骼结构的技术。通过检测预定义的一组点（例如肩膀、膝盖和脚踝），算法可以实时重建主体的完整姿态。此过程超越了标准对象检测，后者通常在对象周围输出边界框，而不了解其内部形状。

现代架构（例如最先进的 Ultralytics YOLO26）已经发展到能够以高精度和高速度预测这些关键点。这些模型利用在海量注释数据集（例如 COCO Keypoints）上训练的深度学习 (DL) 网络来学习与关节和面部特征相关的视觉模式。在推理期间，模型会回归每个关键点的坐标，通常包括置信度分数以指示预测的可靠性。

关键点与相关概念的对比#

将关键点与其他常见的计算机视觉输出区分开来，有助于理解它们的独特效用：

关键点与边界框：边界框提供粗略的定位，将整个对象封闭在一个矩形中。关键点提供该对象内部特定部分的细粒度定位。
关键点与图像分割：图像分割对每个像素进行分类以创建对象形状的精确掩膜。虽然分割提供详细的边界信息，但关键点提供结构摘要（“骨骼”），这对于分析运动和运动学通常更有效。
**关键点与特征描述符：**在诸如 SIFT（尺度不变特征转换）等传统图像处理中，关键点是用于图像匹配的兴趣点（角点、斑点）。在现代 DL 姿态估计中，关键点是网络学习到的语义标签（例如“左手腕”）。

实际应用#

跟踪特定身体部位或对象特征的能力可在各行各业开启多种应用：

**体育分析：**教练和运动员使用姿态估计来分析生物力学。通过跟踪关节上的关键点，系统可以计算角度和速度，从而改进高尔夫、网球或短跑等运动中的技术。了解 Ultralytics YOLO 模型如何跟踪高尔夫挥杆以提供可操作的反馈。
医疗保健与康复： 物理治疗平台利用关键点来远程监控患者的锻炼情况。该系统可确保患者在康复过程中保持正确的姿势，从而降低受伤风险并跟踪康复进度。
增强现实 (AR)： 社交媒体滤镜和虚拟试穿应用依靠面部关键点（眼睛、鼻子、嘴部轮廓）将数字掩码或眼镜牢固地锚定在用户的脸上，即使在移动时也能保持对齐。
驾驶员监控： 汽车安全系统跟踪面部特征点以检测困倦或分心的迹象，如果驾驶员闭眼或头部位置表明注意力不集中，系统会向其发出警报。

使用 Ultralytics YOLO26 实现关键点检测#

使用 Ultralytics 平台或 Python SDK，开发者可以轻松实现关键点检测。以下示例演示了如何加载预训练的 YOLO26-pose 模型并在图像上运行推理以检测人体骨骼。

from ultralytics import YOLO

# Load a pre-trained YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results showing detected keypoints and skeletons
for result in results:
    result.show()  # Display the image with keypoints drawn

    # Access keypoint coordinates (x, y, confidence)
    keypoints = result.keypoints.data
    print(f"Detected keypoints shape: {keypoints.shape}")

这个简单的工具有助于快速部署复杂的计算机视觉 (CV) 应用程序。对于希望训练自己的自定义关键点模型的用户（例如检测工业机械或动物物种上的特定点），Ultralytics 平台简化了云中的数据标注和模型训练过程。