Seguimiento de entrenamientos mediante Ultralytics YOLOv8
Monitorizar los entrenamientos mediante la estimaci贸n de la postura con Ultralytics YOLOv8 mejora la evaluaci贸n del ejercicio mediante el seguimiento preciso de puntos de referencia corporales y articulaciones clave en tiempo real. Esta tecnolog铆a proporciona informaci贸n instant谩nea sobre la forma del ejercicio, realiza un seguimiento de las rutinas de entrenamiento y mide las m茅tricas de rendimiento, optimizando las sesiones de entrenamiento tanto para los usuarios como para los entrenadores.
Observa: Seguimiento de entrenamientos con Ultralytics YOLOv8 | Flexiones, Pullups, Entrenamientos de abdominales
驴Ventajas de la monitorizaci贸n de entrenamientos?
- Rendimiento optimizado: Adapta los entrenamientos en funci贸n de los datos de seguimiento para obtener mejores resultados.
- Consecuci贸n de objetivos: Controla y ajusta los objetivos de forma f铆sica para conseguir un progreso medible.
- Personalizaci贸n: Planes de entrenamiento personalizados basados en datos individuales para mayor eficacia.
- Conciencia de la salud: Detecci贸n precoz de patrones que indiquen problemas de salud o sobreentrenamiento.
- Decisiones informadas: Decisiones basadas en datos para ajustar las rutinas y establecer objetivos realistas.
Aplicaciones en el mundo real
Seguimiento de los entrenamientos | Seguimiento de los entrenamientos |
---|---|
Conteo de flexiones | Conteo de PullUps |
Ejemplo de seguimiento de entrenamientos
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n-pose.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
gym_object = solutions.AIGym(
line_thickness=2,
view_img=True,
pose_type="pushup",
kpts_to_check=[6, 8, 10],
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or video processing has been successfully completed.")
break
results = model.track(im0, verbose=False) # Tracking recommended
# results = model.predict(im0) # Prediction also supported
im0 = gym_object.start_counting(im0, results)
cv2.destroyAllWindows()
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n-pose.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
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("workouts.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
gym_object = solutions.AIGym(
line_thickness=2,
view_img=True,
pose_type="pushup",
kpts_to_check=[6, 8, 10],
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or video processing has been successfully completed.")
break
results = model.track(im0, verbose=False) # Tracking recommended
# results = model.predict(im0) # Prediction also supported
im0 = gym_object.start_counting(im0, results)
video_writer.write(im0)
cv2.destroyAllWindows()
video_writer.release()
Ayuda
Compatible con "flexiones", "tracciones" y "ejercicios abdominales".
Mapa de KeyPoints
Argumentos AIGym
Nombre | Tipo | Por defecto | Descripci贸n |
---|---|---|---|
kpts_to_check |
list |
None |
Lista del 铆ndice de tres puntos clave, para contar un entrenamiento espec铆fico, seguido del Mapa de puntos clave |
line_thickness |
int |
2 |
Grosor de las l铆neas trazadas. |
view_img |
bool |
False |
Bandera para mostrar la imagen. |
pose_up_angle |
float |
145.0 |
Umbral de 谩ngulo para la postura "arriba". |
pose_down_angle |
float |
90.0 |
Umbral de 谩ngulo para la postura "hacia abajo". |
pose_type |
str |
pullup |
Tipo de pose a detectar ('pullup ', pushup , abworkout , squat ). |
Argumentos model.predict
Nombre | Tipo | Por defecto | Descripci贸n |
---|---|---|---|
source |
str |
'ultralytics/assets' |
directorio fuente de im谩genes o v铆deos |
conf |
float |
0.25 |
umbral de confianza del objeto para la detecci贸n |
iou |
float |
0.7 |
umbral de intersecci贸n sobre uni贸n (IoU) para NMS |
imgsz |
int or tuple |
640 |
tama帽o de la imagen como escalar o lista (h, w), por ejemplo (640, 480) |
half |
bool |
False |
utiliza media precisi贸n (FP16) |
device |
None or str |
None |
dispositivo en el que se va a ejecutar, es decir, cuda device=0/1/2/3 o device=cpu |
max_det |
int |
300 |
n煤mero m谩ximo de detecciones por imagen |
vid_stride |
bool |
False |
velocidad de fotogramas de v铆deo |
stream_buffer |
bool |
False |
almacenar en la memoria intermedia todos los fotogramas de la transmisi贸n (Verdadero) o devolver el fotograma m谩s reciente (Falso) |
visualize |
bool |
False |
visualizar las caracter铆sticas del modelo |
augment |
bool |
False |
aplicar el aumento de imagen a las fuentes de predicci贸n |
agnostic_nms |
bool |
False |
NMS de clase agn贸stica |
classes |
list[int] |
None |
filtrar los resultados por clase, es decir, classes=0, o classes=[0,2,3] |
retina_masks |
bool |
False |
utilizar m谩scaras de segmentaci贸n de alta resoluci贸n |
embed |
list[int] |
None |
devuelve vectores/incrustaciones de caracter铆sticas de las capas dadas |
Argumentos model.track
Nombre | Tipo | Por defecto | Descripci贸n |
---|---|---|---|
source |
im0 |
None |
directorio fuente de im谩genes o v铆deos |
persist |
bool |
False |
persistencia de pistas entre fotogramas |
tracker |
str |
botsort.yaml |
M茅todo de seguimiento 'bytetrack' o 'botsort' |
conf |
float |
0.3 |
Umbral de confianza |
iou |
float |
0.5 |
Umbral del pagar茅 |
classes |
list |
None |
filtrar los resultados por clase, es decir, classes=0, o classes=[0,2,3] |
verbose |
bool |
True |
Mostrar los resultados del seguimiento de objetos |
PREGUNTAS FRECUENTES
驴C贸mo controlo mis entrenamientos utilizando Ultralytics YOLOv8 ?
Para controlar tus entrenamientos con Ultralytics YOLOv8 , puedes utilizar las funciones de estimaci贸n de la postura para seguir y analizar puntos de referencia corporales y articulaciones clave en tiempo real. Esto te permite recibir informaci贸n instant谩nea sobre la forma de tus ejercicios, contar repeticiones y medir m茅tricas de rendimiento. Puedes empezar utilizando el c贸digo de ejemplo proporcionado para flexiones, dominadas o ejercicios abdominales, como se muestra:
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n-pose.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
gym_object = solutions.AIGym(
line_thickness=2,
view_img=True,
pose_type="pushup",
kpts_to_check=[6, 8, 10],
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or video processing has been successfully completed.")
break
results = model.track(im0, verbose=False)
im0 = gym_object.start_counting(im0, results)
cv2.destroyAllWindows()
Para m谩s personalizaci贸n y ajustes, puedes consultar la secci贸n AIGym de la documentaci贸n.
驴Cu谩les son las ventajas de utilizar Ultralytics YOLOv8 para controlar el entrenamiento?
Utilizar Ultralytics YOLOv8 para monitorizar el entrenamiento proporciona varias ventajas clave:
- Rendimiento optimizado: Al adaptar los entrenamientos en funci贸n de los datos de seguimiento, puedes conseguir mejores resultados.
- Consecuci贸n de objetivos: Controla y ajusta f谩cilmente los objetivos de forma f铆sica para conseguir un progreso medible.
- Personalizaci贸n: Consigue planes de entrenamiento personalizados basados en tus datos individuales para una eficacia 贸ptima.
- Conciencia de la salud: Detecci贸n precoz de patrones que indican posibles problemas de salud o sobreentrenamiento.
- Decisiones informadas: Toma decisiones basadas en datos para ajustar las rutinas y establecer objetivos realistas.
Puedes ver un v铆deo de demostraci贸n en YouTube para ver estas ventajas en acci贸n.
驴Hasta qu茅 punto es preciso Ultralytics YOLOv8 para detectar y seguir ejercicios?
Ultralytics YOLOv8 es muy preciso en la detecci贸n y el seguimiento de ejercicios gracias a su capacidad de estimaci贸n de la postura de 煤ltima generaci贸n. Puede rastrear con precisi贸n puntos de referencia corporales y articulaciones clave, proporcionando informaci贸n en tiempo real sobre la forma del ejercicio y las m茅tricas de rendimiento. Los pesos preentrenados del modelo y su robusta arquitectura garantizan una gran precisi贸n y fiabilidad. Para ver ejemplos reales, consulta la secci贸n de aplicaciones reales de la documentaci贸n, que muestra el recuento de flexiones y dominadas.
驴Puedo utilizar Ultralytics YOLOv8 para rutinas de entrenamiento personalizadas?
S铆, Ultralytics YOLOv8 puede adaptarse a rutinas de entrenamiento personalizadas. La p谩gina AIGym
admite distintos tipos de posturas, como "flexiones", "tracciones" y "ejercicios abdominales". Puedes especificar puntos clave y 谩ngulos para detectar ejercicios espec铆ficos. Aqu铆 tienes un ejemplo de configuraci贸n:
from ultralytics import solutions
gym_object = solutions.AIGym(
line_thickness=2,
view_img=True,
pose_type="squat",
kpts_to_check=[6, 8, 10],
)
Para m谩s detalles sobre la configuraci贸n de los argumentos, consulta el apartado Argumentos AIGym
secci贸n. Esta flexibilidad te permite controlar varios ejercicios y personalizar las rutinas en funci贸n de tus necesidades.
驴C贸mo puedo guardar el resultado de la monitorizaci贸n del entrenamiento utilizando Ultralytics YOLOv8 ?
Para guardar la salida de la monitorizaci贸n del entrenamiento, puedes modificar el c贸digo para incluir un grabador de v铆deo que guarde los fotogramas procesados. Aqu铆 tienes un ejemplo:
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n-pose.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
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("workouts.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
gym_object = solutions.AIGym(
line_thickness=2,
view_img=True,
pose_type="pushup",
kpts_to_check=[6, 8, 10],
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or video processing has been successfully completed.")
break
results = model.track(im0, verbose=False)
im0 = gym_object.start_counting(im0, results)
video_writer.write(im0)
cv2.destroyAllWindows()
video_writer.release()
Esta configuraci贸n escribe el v铆deo monitorizado en un archivo de salida. Para m谩s detalles, consulta la secci贸n Monitorizaci贸n de entrenamientos con Guardar salida.
Creado 2023-12-02, Actualizado 2024-07-05
Autores: glenn-jocher (12), ambitious-octopus (1), IvorZhu331 (1), RizwanMunawar (4)