要点

关键点是图像中独特的空间位置或地标，它们定义了对象或主体的显著特征。在计算机视觉和机器学习的背景下，关键点通常由一组坐标（X，Y）表示，这些坐标精确地指示对象的特定部分，例如人的肘部、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，识别关键点使 人工智能 (AI) 模型能够理解主体的几何形状、姿势和结构排列。这种能力是高级视觉分析的基础，使机器能够解释肢体语言、track 精确运动，并将数字叠加层与现实世界中的对象对齐。

关键点在AI模型中的作用

关键点是 姿势估计 的基础数据，这是一种映射人类或动物骨骼结构的技术。通过detect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势。这个过程超越了标准的 目标检测，后者通常只输出对象的边界框而不理解其内部形状。

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预测这些关键点。这些模型利用在大量标注数据集（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。在推理过程中，模型会回归每个关键点的坐标，通常还会包含一个置信度分数来指示预测的可靠性。

关键点与相关概念

区分关键点与其他常见的计算机视觉输出有助于理解其独特用途：

• 关键点与边界框：边界框 提供粗略的定位，将整个物体包围在一个矩形中。关键点则提供该物体 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，以创建物体形状的精确掩码。虽然分割提供详细的边界信息，但关键点提供结构摘要（“骨架”），这通常对于分析运动和 运动学 更有效。
• 关键点与特征描述符：在传统图像处理中，例如 SIFT（尺度不变特征变换），关键点是用于图像匹配的兴趣点（角点、斑点）。在现代深度学习姿势估计中，关键点是网络学习到的语义标签（例如，“左手腕”）。

实际应用

追踪特定身体部位或物体特征的能力，在各行业中解锁了多样化的应用：

• 体育分析： 教练和运动员使用姿势估计来分析生物力学。通过 track 关节上的关键点，系统可以计算角度和速度，以改进高尔夫、网球或短跑等运动的技术。了解 Ultralytics YOLO 模型如何 track 高尔夫挥杆 以提供可操作的反馈。
• 医疗保健和康复：物理治疗平台利用关键点远程监测患者的锻炼。该系统确保患者在康复训练中保持正确的姿势，减少受伤风险并跟踪康复进展。
• 增强现实 (AR)：社交媒体滤镜和虚拟试穿应用依赖面部关键点（眼睛、鼻子、嘴巴轮廓）将数字面具或眼镜牢固地锚定到用户脸上，即使移动也能保持对齐。
• 驾驶员监测：汽车安全系统 track 面部特征点以 detect 疲劳或分心的迹象，如果驾驶员的眼睛闭合或头部位置表明注意力不集中，则向其发出警报。

使用 YOLO26 实现关键点检测

开发者可以利用 Ultralytics Platform 或 python SDK 轻松实现关键点 detect。以下示例演示了如何加载预训练的 YOLO26-姿势估计 模型 并在图像上运行推理以 detect 人体骨架。

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}")

这种简单的工作流程支持快速部署复杂的 计算机视觉 (CV) 应用。对于希望训练自己的自定义关键点模型的用户——例如，用于 detect 工业机械或动物物种上的特定点——Ultralytics Platform 简化了云端数据标注和模型训练的过程。

高级考量

成功部署关键点检测需要应对遮挡（当身体部位被隐藏时）和多样化光照条件等挑战。现代模型通过在训练期间进行鲁棒的 数据增强 来解决此问题，使网络暴露于各种场景。此外，将关键点与 目标 track 算法集成，可以在视频流中实现对个体的长时间一致识别，这对于安全或行为分析等应用至关重要。