利用 Yolov11 模型的人体姿态检测进行运动项目的锻炼监测

摘要：上期图文教程，我们分享了 YOLO11 模型，YOLO11 是 Ultralytics实时物体检测系列中的最新模型，以最先进的精度、速度和效率重新定义了目标检测。在之前YOLO 版本基础上，YOLO11 在架构和训练方法上进行了重大改进，使其成为目标检测任务中

上期图文教程，我们分享了 YOLO11 模型，YOLO11 是 Ultralytics实时物体检测系列中的最新模型，以最先进的精度、速度和效率重新定义了目标检测。在之前YOLO 版本基础上，YOLO11 在架构和训练方法上进行了重大改进，使其成为目标检测任务中的核心模型。

主要功能：

增强型特征提取： YOLO11 采用改进的架构，增强了特征提取能力，从而实现更精确的目标检测和复杂任务性能。优化效率和速度： YOLO11 引入了完善的架构设计和优化的训练管道，提供更快的处理速度，并在准确性和性能之间保持最佳平衡。参数更少，精度更高：随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，同时使用的参数比YOLOv8m 减少了 22%，从而在不影响精度的情况下提高了计算效率。跨环境适应性： YOLO11 可在各种环境中无缝部署，包括边缘设备、云平台和支持NVIDIA GPU 的系统，确保最大的灵活性。支持的任务范围广泛：无论是对象检测、实例分割、图像分类、姿态估计，还是面向对象检测 (OBB)，YOLO11 都能应对各种计算机视觉任务。

YOLO11模型支持众多计算机视觉任务，包括对象检测，实例分割，姿态检测等，本期我们就基于YOLO11模型的姿态检测来介绍一下YOLO11模型的运动健康的锻炼检测。

在YOLO11 的默认姿势模型中，有 17 个关键点，每个关键点代表人体的不同部位。0: 鼻子 1: 左眼 2: 右眼 3: 左耳 4: 右耳 5: 左肩 6: 右肩 7: 左肘 8: 右肘 9: 左腕 10：右腕 11: 左髋 12: 右髋 13：左膝 14：右膝 15：左脚踝 16：右脚踝

YOLO11模型把人体关键点分成 17个点，我们可以通过实时对人体关键点进行检测，并计算关键点之间的运动轨迹，这样就可以监测运动健康情况。

首先，我们来看看人体姿态检测的代码：

from ultralytics import YOLOmodel = YOLO('yolov11n-pose.pt')#图片对象检测source = 'image.jpg'results = model(source) from PIL import Imagefor r in results: im_array = r.plot im = Image.fromarray(im_array[..., ::-1]) im.show im.save('results.jpg') # 视频人体姿态检测video_path = "11.mp4"cap = cv2.VideoCapture(video_path) # 这里若cap = cv2.VideoCapture(0)# 便是打开电脑的默认摄像头while cap.isOpened: success, frame = cap.read if success: results = model(frame) annotated_frame = results[0].plot cv2.imshow("YOLOv11 pose", annotated_frame) if cv2.waitKey(1) & 0xFF == ord("q"): break else: breakcap.releasecv2.destroyAllWindows

凭借上述代码，我们能够将人体的关键点标注于图片或者视频帧之上。倘若要开展人体运动健康监测工作，我们必须实时记录若干关键点的位置，同时计算在未来视频帧中这些关键点的位置，并剖析二者之间的关联，如此方能准确地自动监测运动健康状况（例如引体向上、俯卧撑等，仅需监测 5、6、7、8、9、10 关键点）。

而YOLO11模型也集成了运动健康监测机制，当然我们也可以自行设计代码来计算（比如 6,8,10）关键点之间的位置，以便来计算（比如俯卧撑）运动项目的数量。

import cv2from ultralytics import solutionscap = cv2.VideoCapture("11.mp4")assert cap.isOpened, w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))video_writer = cv2.VideoWriter("result.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))gym = solutions.AIGym(line_width=2,show=True, kpts=[6, 8, 10],)while cap.isOpened: success, im0 = cap.read if not success: print("video error") break im0 = gym.monitor(im0) video_writer.write(im0)cv2.destroyAllWindowsvideo_writer.release

这里使用了ultralytics中的AIGym库来检测人体运动情况，首先当我们打开一段锻炼视频后，模型会自动进行人体姿态的检测，而在AIGym参数中，我们定义了关键点的检测（比如 6,8,10），这样就可以动态监测这三个关键点的位置，进而可以动态监测相关关键点的运动情况。

当然，我们也可以监测其他关键点，以便进行其他运行项目的监测，比如腿部关键点，或者人体上半身关键点的监测，都可以进行相关运动项目的对象检测功能。

而YOLO11系列模型的精度与速度都有了较大的提高，我们可以把相关的模型部署到移动端，进而可以在手机，或者其他移动设备上，实时进行运动健康的监测。当然ultralytics也提供了很多其他方面的检测模型。比如物体计数，停车管理，安全警报系统，速度估计，距离计算等等，后期我们再进行一一分享。