Theo dõi bài tập bằng cách sử dụng Ultralytics YOLO11
Theo dõi các bài tập thông qua ước tính tư thế với Ultralytics YOLO11 giúp tăng cường đánh giá bài tập bằng cách theo dõi chính xác các điểm mốc và khớp chính của cơ thể theo thời gian thực. Công nghệ này cung cấp phản hồi tức thời về hình thức tập luyện, theo dõi thói quen tập luyện và đo lường số liệu hiệu suất, tối ưu hóa các buổi tập luyện cho cả người dùng và huấn luyện viên.
Xem: Theo dõi bài tập bằng cách sử dụng Ultralytics YOLO11 | Chống đẩy, Kéo xà, Bài tập cơ bụng
Ưu điểm của giám sát tập luyện?
- Tối ưu hóa hiệu suất: Điều chỉnh các bài tập dựa trên dữ liệu theo dõi để có kết quả tốt hơn.
- Thành tựu mục tiêu: Theo dõi và điều chỉnh mục tiêu tập thể dục để có tiến độ có thể đo lường được.
- Cá nhân: Kế hoạch tập luyện tùy chỉnh dựa trên dữ liệu cá nhân để đạt hiệu quả.
- Nhận thức về sức khỏe: Phát hiện sớm các mô hình cho thấy các vấn đề sức khỏe hoặc tập luyện quá sức.
- Quyết định sáng suốt: Các quyết định dựa trên dữ liệu để điều chỉnh thói quen và thiết lập các mục tiêu thực tế.
Ứng dụng trong thế giới thực
Giám sát tập luyện | Giám sát tập luyện |
---|---|
Đếm chống đẩy | Đếm PullUps |
Ví dụ giám sát tập luyện
import cv2
from ultralytics import solutions
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
video_writer = cv2.VideoWriter("workouts.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Init AIGym
gym = solutions.AIGym(
show=True, # Display the frame
kpts=[6, 8, 10], # keypoints index of person for monitoring specific exercise, by default it's for pushup
model="yolo11n-pose.pt", # Path to the YOLO11 pose estimation model file
# line_width=2, # Adjust the line width for bounding boxes and text display
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or video processing has been successfully completed.")
break
im0 = gym.monitor(im0)
video_writer.write(im0)
cv2.destroyAllWindows()
video_writer.release()
Bản đồ KeyPoints
Lập luận AIGym
Tên | Kiểu | Mặc định | Sự miêu tả |
---|---|---|---|
kpts | list | None | Danh sách ba chỉ số chính, để đếm bài tập cụ thể, tiếp theo là Bản đồ điểm chính |
line_width | int | 2 | Độ dày của các đường được vẽ. |
show | bool | False | Gắn cờ để hiển thị hình ảnh. |
up_angle | float | 145.0 | Ngưỡng góc cho tư thế 'lên'. |
down_angle | float | 90.0 | Ngưỡng góc cho tư thế 'xuống'. |
model | str | None | Đường dẫn đến Ultralytics YOLO Tệp mô hình tư thế |
Lập luận model.predict
Lý lẽ | Kiểu | Mặc định | Sự miêu tả |
---|---|---|---|
source | str | 'ultralytics/assets' | Chỉ định nguồn dữ liệu để suy luận. Có thể là đường dẫn hình ảnh, tệp video, thư mục, URL hoặc ID thiết bị cho nguồn cấp dữ liệu trực tiếp. Hỗ trợ nhiều định dạng và nguồn, cho phép ứng dụng linh hoạt trên nhiều loại đầu vào khác nhau . |
conf | float | 0.25 | Đặt ngưỡng tin cậy tối thiểu để phát hiện. Các đối tượng được phát hiện với độ tin cậy dưới ngưỡng này sẽ bị bỏ qua. Điều chỉnh giá trị này có thể giúp giảm dương tính giả. |
iou | float | 0.7 | Ngưỡng Giao điểm qua Liên hợp (IoU) cho Không triệt tiêu tối đa (NMS). Các giá trị thấp hơn dẫn đến ít phát hiện hơn bằng cách loại bỏ các hộp chồng chéo, hữu ích để giảm trùng lặp. |
imgsz | int or tuple | 640 | Xác định kích thước hình ảnh để suy luận. Có thể là một số nguyên duy nhất 640 để thay đổi kích thước hình vuông hoặc một bộ (chiều cao, chiều rộng). Kích thước phù hợp có thể cải thiện khả năng phát hiện sự chính xác và tốc độ xử lý. |
half | bool | False | Cho phép suy luận bán chính xác (FP16), có thể tăng tốc suy luận mô hình trên GPU được hỗ trợ với tác động tối thiểu đến độ chính xác. |
device | str | None | Chỉ định thiết bị để suy luận (ví dụ: cpu , cuda:0 hoặc 0 ). Cho phép người dùng lựa chọn giữa CPU, một cụ thể GPUhoặc các thiết bị điện toán khác để thực thi mô hình. |
max_det | int | 300 | Số lần phát hiện tối đa được phép cho mỗi hình ảnh. Giới hạn tổng số đối tượng mà mô hình có thể phát hiện trong một suy luận duy nhất, ngăn chặn đầu ra quá mức trong các cảnh dày đặc. |
vid_stride | int | 1 | Sải chân khung hình cho đầu vào video. Cho phép bỏ qua các khung hình trong video để tăng tốc độ xử lý với chi phí phân giải tạm thời. Giá trị 1 xử lý mọi khung, giá trị cao hơn bỏ qua khung. |
stream_buffer | bool | False | Xác định xem có nên xếp hàng các khung hình đến cho luồng video hay không. Nếu False , các khung cũ bị loại bỏ để chứa các khung mới (được tối ưu hóa cho các ứng dụng thời gian thực). Nếu `Đúng', xếp hàng các khung mới trong bộ đệm, đảm bảo không có khung nào bị bỏ qua, nhưng sẽ gây ra độ trễ nếu FPS suy luận thấp hơn FPS luồng. |
visualize | bool | False | Kích hoạt trực quan hóa các tính năng của mô hình trong quá trình suy luận, cung cấp thông tin chi tiết về những gì mô hình đang "nhìn thấy". Hữu ích cho việc gỡ lỗi và giải thích mô hình. |
augment | bool | False | Cho phép tăng thời gian kiểm tra (TTA) cho các dự đoán, có khả năng cải thiện độ mạnh phát hiện với chi phí là tốc độ suy luận. |
agnostic_nms | bool | False | Cho phép ngăn chặn không tối đa bất khả tri lớp (NMS), kết hợp các hộp chồng chéo của các lớp khác nhau. Hữu ích trong các tình huống phát hiện nhiều lớp trong đó sự chồng chéo lớp là phổ biến. |
classes | list[int] | None | Lọc các dự đoán cho một tập hợp ID lớp. Chỉ những phát hiện thuộc các lớp được chỉ định mới được trả về. Hữu ích để tập trung vào các đối tượng có liên quan trong các nhiệm vụ phát hiện nhiều lớp. |
retina_masks | bool | False | Trả về mặt nạ phân đoạn có độ phân giải cao. Các mặt nạ trả về (masks.data ) sẽ khớp với kích thước hình ảnh gốc nếu được bật. Nếu bị tắt, chúng sẽ có kích thước hình ảnh được sử dụng trong quá trình suy luận. |
embed | list[int] | None | Chỉ định các lớp để trích xuất các vectơ đặc điểm hoặc nhúng . Hữu ích cho các tác vụ hạ lưu như phân cụm hoặc tìm kiếm sự tương đồng. |
project | str | None | Tên của thư mục dự án nơi đầu ra dự đoán được lưu nếu save được bật. |
name | str | None | Tên của lần chạy dự đoán. Được sử dụng để tạo một thư mục con trong thư mục dự án, nơi lưu trữ các đầu ra dự đoán nếu save được bật. |
Lập luận model.track
Lý lẽ | Kiểu | Mặc định | Sự miêu tả |
---|---|---|---|
source | str | None | Chỉ định thư mục nguồn cho hình ảnh hoặc video. Hỗ trợ đường dẫn tệp và URL. |
persist | bool | False | Cho phép theo dõi liên tục các đối tượng giữa các khung hình, duy trì ID trên các chuỗi video. |
tracker | str | botsort.yaml | Chỉ định thuật toán theo dõi để sử dụng, ví dụ: bytetrack.yaml hoặc botsort.yaml . |
conf | float | 0.3 | Đặt ngưỡng tin cậy cho việc phát hiện; giá trị thấp hơn cho phép theo dõi nhiều đối tượng hơn nhưng có thể bao gồm các kết quả dương tính giả. |
iou | float | 0.5 | Đặt ngưỡng Giao điểm trên Liên hợp (IoU) để lọc các phát hiện chồng chéo. |
classes | list | None | Lọc kết quả theo chỉ số lớp. Ví dụ, classes=[0, 2, 3] chỉ theo dõi các lớp được chỉ định. |
verbose | bool | True | Kiểm soát việc hiển thị kết quả theo dõi, cung cấp hình ảnh trực quan về các đối tượng được theo dõi. |
FAQ
Làm thế nào để tôi theo dõi quá trình tập luyện của mình bằng cách sử dụng Ultralytics YOLO11 là gì?
Để theo dõi quá trình tập luyện của bạn bằng cách sử dụng Ultralytics YOLO11, bạn có thể sử dụng khả năng ước tính tư thế để theo dõi và phân tích các điểm mốc và khớp chính của cơ thể theo thời gian thực. Điều này cho phép bạn nhận được phản hồi tức thì về hình thức tập luyện của mình, đếm số lần lặp lại và đo lường số liệu hiệu suất. Bạn có thể bắt đầu bằng cách sử dụng mã ví dụ được cung cấp cho các bài tập chống đẩy, kéo xà hoặc tập cơ bụng như minh họa:
import cv2
from ultralytics import solutions
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 = 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 video processing has been successfully completed.")
break
im0 = gym.monitor(im0)
cv2.destroyAllWindows()
Để tùy chỉnh và cài đặt thêm, bạn có thể tham khảo phần AIGym trong tài liệu.
Lợi ích của việc sử dụng là gì? Ultralytics YOLO11 để theo dõi quá trình tập luyện?
Sử dụng Ultralytics YOLO11 dùng để theo dõi quá trình tập luyện mang lại một số lợi ích chính:
- Tối ưu hóa hiệu suất: Bằng cách điều chỉnh tập luyện dựa trên dữ liệu theo dõi, bạn có thể đạt được kết quả tốt hơn.
- Thành tựu mục tiêu: Dễ dàng theo dõi và điều chỉnh mục tiêu tập thể dục để đạt được tiến độ có thể đo lường được.
- Cá nhân: Nhận kế hoạch tập luyện tùy chỉnh dựa trên dữ liệu cá nhân của bạn để có hiệu quả tối ưu.
- Nhận thức về sức khỏe: Phát hiện sớm các mô hình cho thấy các vấn đề sức khỏe tiềm ẩn hoặc tập luyện quá sức.
- Quyết định sáng suốt: Đưa ra quyết định dựa trên dữ liệu để điều chỉnh thói quen và đặt mục tiêu thực tế.
Bạn có thể xem video trình diễn trên YouTube để xem những lợi ích này đang hoạt động.
Độ chính xác là bao nhiêu? Ultralytics YOLO11 trong việc phát hiện và theo dõi các bài tập?
Ultralytics YOLO11 có độ chính xác cao trong việc phát hiện và theo dõi các bài tập nhờ khả năng ước tính tư thế tiên tiến. Nó có thể theo dõi chính xác các điểm mốc và khớp chính của cơ thể, cung cấp phản hồi theo thời gian thực về hình thức bài tập và số liệu hiệu suất. Trọng lượng được đào tạo trước của mô hình và kiến trúc mạnh mẽ đảm bảo độ chính xác và độ tin cậy cao. Để biết các ví dụ thực tế, hãy xem phần ứng dụng thực tế trong tài liệu, trong đó giới thiệu cách đếm chống đẩy và kéo xà.
Tôi có thể sử dụng Ultralytics YOLO11 để có bài tập luyện tùy chỉnh?
Đúng, Ultralytics YOLO11 có thể được điều chỉnh cho các bài tập luyện tùy chỉnh. AIGym
Lớp học hỗ trợ các loại tư thế khác nhau như "chống đẩy", "kéo lên" và "tập luyện ab". Bạn có thể chỉ định các điểm chính và góc để phát hiện các bài tập cụ thể. Dưới đây là một thiết lập ví dụ:
from ultralytics import solutions
gym = solutions.AIGym(
line_width=2,
show=True,
kpts=[6, 8, 10],
)
Để biết thêm chi tiết về cách đặt đối số, hãy tham khảo Lập luận AIGym
phần. Tính linh hoạt này cho phép bạn theo dõi các bài tập khác nhau và tùy chỉnh các thói quen dựa trên nhu cầu của bạn.
Làm thế nào tôi có thể lưu kết quả theo dõi quá trình tập luyện bằng cách sử dụng Ultralytics YOLO11 là gì?
Để lưu đầu ra giám sát tập luyện, bạn có thể sửa đổi mã để bao gồm trình ghi video lưu các khung hình đã xử lý. Đây là một ví dụ:
import cv2
from ultralytics import solutions
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 = 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 video processing has been successfully completed.")
break
im0 = gym.monitor(im0)
video_writer.write(im0)
cv2.destroyAllWindows()
video_writer.release()
Thiết lập này ghi video được giám sát vào tệp đầu ra. Để biết thêm chi tiết, hãy tham khảo Giám sát tập luyện với lưu đầu ra phần.