YOLO Vision 2026:

Monitoramento de treinos usando Ultralytics YOLO26#

Open Workouts Monitoring In Colab

A monitorização de treinos através da estimativa de pose com Ultralytics YOLO26 melhora a avaliação dos exercícios, rastreando com precisão os principais pontos de referência e articulações do corpo em tempo real. Esta tecnologia fornece feedback instantâneo sobre a postura do exercício, monitoriza rotinas de treino e mede métricas de desempenho, otimizando as sessões de treino tanto para utilizadores como para treinadores.



Watch: How to Monitor Workout Exercises with Ultralytics YOLO | Squats, Leg Extension, Pushups and More

Vantagens do Monitoramento de Treinos#

  • Desempenho Otimizado: Adaptação de treinos com base em dados de monitoramento para melhores resultados.
  • Alcance de Metas: Rastreie e ajuste metas de condicionamento físico para um progresso mensurável.
  • Personalização: Planos de treino personalizados com base em dados individuais para maior eficácia.
  • Consciência de Saúde: Detecção precoce de padrões que indicam problemas de saúde ou excesso de treinamento.
  • Decisões Informadas: Decisões baseadas em dados para ajustar rotinas e definir metas realistas.

Aplicações no mundo real#

Monitoramento de TreinosMonitoramento de Treinos
YOLO push-ups counting with pose estimationYOLO pull-ups counting with pose estimation
Contagem de FlexõesContagem de Barras

Monitora treinos com YOLO26#

A solução AIGym executa a estimativa de pose e conta repetições medindo o ângulo formado por três pontos-chave à medida que um membro se move entre os limiares up_angle e down_angle. Escolhe os pontos-chave para o exercício que pretendes monitorizar com kpts e, em seguida, executa a solução sobre o teu vídeo com a Python API ou a CLI.

Monitoramento de Treinos usando Ultralytics YOLO
# Run a workout example
yolo solutions workout show=True

# Pass a source video
yolo solutions workout source="path/to/video.mp4"

# Use keypoints for pushups
yolo solutions workout kpts="[6, 8, 10]"

Mapa de Pontos-Chave#

YOLO pose estimation keypoints order diagram

Argumentos do AIGym#

Aqui tens uma tabela com os argumentos do AIGym:

ArgumentoTipoPredefiniçãoDescrição
modelstrNoneCaminho para um ficheiro de modelo YOLO da Ultralytics.
up_anglefloat145.0Limiar de ângulo para a pose 'cima'.
down_angleint90Limiar de ângulo para a pose 'baixo'.
kptslist[int]'[6, 8, 10]'Lista de três índices de pontos-chave usados para monitorizar exercícios. Estes pontos-chave correspondem a articulações ou partes do corpo, como ombros, cotovelos e pulsos, para exercícios como flexões, elevações, agachamentos e abdominais.
line_widthint2Espessura da linha para as caixas, pontos-chave e contagens que a solução desenha.
verboseboolTrueAtiva o registro por quadro da solução contendo formato de entrada, contagens de classes e velocidade de processamento. A chamada de rastreamento em si é sempre silenciosa.

A solução AIGym também suporta uma variedade de parâmetros de rastreamento de objetos:

ArgumentoTipoPredefiniçãoDescrição
trackerstr'botsort.yaml'Especifica o algoritmo de rastreamento a utilizar. Opções integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.25Define o limiar de confiança para as deteções; valores mais baixos permitem que mais objetos sejam rastreados, mas podem incluir falsos positivos.
ioufloat0.7Define o limiar de Intersection over Union (IoU) para filtrar deteções sobrepostas.
classeslistNoneFiltra resultados por índice de classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas.
devicestrNoneEspecifica o dispositivo para inferência (por exemplo, cpu, cuda:0 ou 0). Permite aos utilizadores selecionar entre CPU, uma GPU específica ou outros dispositivos de computação para a execução do modelo.

Adicionalmente, as seguintes configurações de visualização podem ser aplicadas:

ArgumentoTipoPredefiniçãoDescrição
showboolFalseSe True, exibe as imagens ou vídeos anotados em uma janela. Útil para feedback visual imediato durante o desenvolvimento ou teste.
show_confboolTrueExibe a pontuação de confiança para cada detecção ao lado do rótulo. Fornece uma visão sobre a certeza do modelo para cada detecção.
show_labelsboolTrueExibe rótulos para cada detecção na saída visual. Fornece compreensão imediata dos objetos detectados.

FAQ#

  • Para monitorizar os teus treinos utilizando o Ultralytics YOLO26, podes utilizar as capacidades de estimativa de pose para rastrear e analisar os principais pontos de referência e articulações do corpo em tempo real. Isto permite-te receber feedback instantâneo sobre a tua postura de exercício, contar repetições e medir métricas de desempenho. Podes começar por usar o código de exemplo fornecido para flexões, barras ou exercícios abdominais, conforme mostrado:

    import cv2
    
    from ultralytics import solutions
    
    cap = cv2.VideoCapture("path/to/video.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 = solutions.AIGym(
        line_width=2,
        show=True,
        kpts=[6, 8, 10],
    )
    
    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = gym(im0)
    
    cv2.destroyAllWindows()

    Para mais personalizações e definições, podes consultar a secção AIGym na documentação.

  • Usar o Ultralytics YOLO26 para monitoramento de treinos oferece vários benefícios principais:

    • Desempenho Otimizado: Ao adaptar os treinos com base nos dados de monitoramento, você pode alcançar melhores resultados.
    • Alcance de Metas: Rastreie e ajuste facilmente as metas de condicionamento físico para um progresso mensurável.
    • Personalização: Obtenha planos de treino personalizados com base em seus dados individuais para uma eficácia ideal.
    • Consciência de Saúde: Detecção precoce de padrões que indicam possíveis problemas de saúde ou excesso de treinamento.
    • Decisões Informadas: Tome decisões baseadas em dados para ajustar rotinas e definir metas realistas.

    Podes ver uma demonstração em vídeo no YouTube para ver estes benefícios em ação.

  • O Ultralytics YOLO26 é altamente preciso na deteção e rastreamento de exercícios devido às suas capacidades avançadas de estimativa de pose. Consegue rastrear com precisão os principais pontos de referência e articulações do corpo, fornecendo feedback em tempo real sobre a postura do exercício e métricas de desempenho. Os pesos pré-treinados do modelo e a arquitetura robusta garantem elevada precisão e fiabilidade. Para exemplos do mundo real, consulta a secção de aplicações do mundo real na documentação, que demonstra a contagem de flexões e elevações na barra.

  • Sim, o Ultralytics YOLO26 pode ser adaptado para rotinas de treino personalizadas. A classe AIGym deteta repetições de exercícios utilizando os argumentos up_angle, down_angle e kpts. Podes especificar pontos-chave e ângulos para detetar exercícios específicos. Aqui tens uma configuração de exemplo:

    from ultralytics import solutions
    
    gym = solutions.AIGym(
        line_width=2,
        show=True,
        kpts=[6, 8, 10],  # For pushups - can be customized for other exercises
    )

    Para mais detalhes sobre a definição de argumentos, consulta a secção Arguments AIGym. Esta flexibilidade permite-te monitorizar vários exercícios e personalizar rotinas com base nos teus objetivos de fitness.

  • Para salvar a saída do monitoramento de treinos, você pode modificar o código para incluir um gravador de vídeo que salva os quadros processados. Aqui está um exemplo:

    import cv2
    
    from ultralytics import solutions
    
    cap = cv2.VideoCapture("path/to/video.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 = solutions.AIGym(
        line_width=2,
        show=True,
        kpts=[6, 8, 10],
    )
    
    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = gym(im0)
        video_writer.write(results.plot_im)
    
    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()

    Essa configuração grava o vídeo monitorado em um arquivo de saída, permitindo que você revise seu desempenho no treino mais tarde ou compartilhe-o com treinadores para feedback adicional.

Comentários