使用 Ultralytics YOLO26 进行健身训练监测有哪些好处？

使用 Ultralytics YOLO26 进行健身训练监测可以带来以下几个主要好处：; 优化表现：根据监测数据调整训练，你可以获得更好的效果。; 实现目标：轻松跟踪并调整健身目标，取得可量化的进步。; 个性化：根据你的个人数据获取定制训练计划，以达到最佳效果。; 健康意识：及早发现表明潜在健康问题或过度训练的模式。; 科学决策：根据数据调整训练计划并设定切合实际的目标。. 你可以观看 YouTube 视频演示，了解这些优势的实际效果。

Ultralytics YOLO26 检测和跟踪运动的准确度如何？

得益于先进的姿态估计功能，Ultralytics YOLO26 在检测和跟踪运动方面具有很高的准确度。它可以准确跟踪关键身体标志点和关节，实时提供运动姿势反馈和表现指标。模型的预训练权重和稳健架构确保了较高的精确率和可靠性。如需查看实际示例，请参阅文档中的实际应用部分，其中展示了俯卧撑和引体向上计数。

我可以使用 Ultralytics YOLO26 处理自定义训练计划吗？

可以，Ultralytics YOLO26 可适配自定义训练计划。AIGym 类使用 up_angle、down_angle 和 kpts 参数检测运动重复次数。你可以指定关键点和角度来检测特定运动。以下是一个设置示例：. 如需详细了解参数设置，请参阅 Arguments AIGym 部分。这种灵活性让你能够监测各种运动，并根据你的健身目标自定义训练计划。

如何使用 Ultralytics YOLO26 保存健身训练监测输出？

要保存健身训练监测输出，你可以修改代码，加入用于保存处理后帧的视频写入器。以下是一个示例：. 此设置会将监测后的视频写入输出文件，方便你稍后查看训练表现，或将其分享给教练以获取更多反馈。

使用 Ultralytics YOLO26 进行健身训练监测#

Q: 使用 Ultralytics YOLO26 进行健身训练监测有哪些好处？

使用 Ultralytics YOLO26 进行健身训练监测可以带来以下几个主要好处：; 优化表现： 根据监测数据调整训练，你可以获得更好的效果。; 实现目标： 轻松跟踪并调整健身目标，取得可量化的进步。; 个性化： 根据你的个人数据获取定制训练计划，以达到最佳效果。; 健康意识： 及早发现表明潜在健康问题或过度训练的模式。; 科学决策： 根据数据调整训练计划并设定切合实际的目标。. 你可以观看 YouTube 视频演示，了解这些优势的实际效果。

通过姿态估计监测健身训练，借助 Ultralytics YOLO26 实时准确跟踪关键身体标志点和关节，从而提升运动评估效果。这项技术可以即时反馈运动姿势、跟踪训练计划并衡量表现指标，为用户和教练优化训练课程。

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

健身训练监测的优势#

优化表现： 根据监测数据调整训练，以获得更好的效果。
实现目标： 跟踪并调整健身目标，取得可量化的进步。
个性化： 根据个人数据定制训练计划，提升训练效果。
健康意识： 及早发现可能表明健康问题或过度训练的模式。
科学决策： 根据数据调整训练计划并设定切合实际的目标。

实际应用#

健身训练监测	健身训练监测

俯卧撑计数	引体向上计数

使用 YOLO26 监测健身训练#

AIGym 解决方案运行姿态估计，并通过测量肢体在 up_angle 和 down_angle 阈值之间移动时由三个关键点形成的角度来计算重复次数。使用 kpts 选择要跟踪的运动对应的关键点，然后通过 Python API 或 CLI 在视频上运行该解决方案。

使用 Ultralytics YOLO 进行健身训练监测

# 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]"

关键点图#

YOLO 姿态估计关键点顺序示意图

`AIGym` 参数#

下面是 AIGym 参数表：

参数	类型	默认值	描述
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`up_angle`	`float`	`145.0`	“向上”姿态的角度阈值。
`down_angle`	`int`	`90`	“向下”姿态的角度阈值。
`kpts`	`list[int]`	`'[6, 8, 10]'`	用于监控训练的三个关键点索引列表。这些关键点对应肩部、肘部和手腕等身体关节或部位，适用于俯卧撑、引体向上、深蹲和腹部训练等练习。
`line_width`	`int`	`2`	解决方案绘制的框、关键点和计数的线条粗细。
`verbose`	`bool`	`True`	启用解决方案逐帧记录输入形状、类别计数和处理速度的日志。跟踪调用本身始终保持静默。

AIGym 解决方案还支持一系列目标跟踪参数：

参数	类型	默认值	描述
`tracker`	`str`	`'botsort.yaml'`	指定要使用的跟踪算法。内置选项：`botsort.yaml`、`bytetrack.yaml`、`ocsort.yaml`、`deepocsort.yaml`、`fasttrack.yaml`、`tracktrack.yaml`。
`conf`	`float`	`0.25`	设置检测的置信度阈值；较低的值允许跟踪更多对象，但可能包含误报。
`iou`	`float`	`0.7`	设置用于过滤重叠检测结果的交并比（IoU）阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 仅跟踪指定类别。
`device`	`str`	`None`	指定推理设备（例如 `cpu`、`cuda:0` 或 `0`）。允许用户在 CPU、特定 GPU 或其他计算设备之间进行选择，以执行模型。
`imgsz`	`int or tuple`	`640`	目标推理图像大小：用于正方形的整数或 `(height, width)` 对。形状会根据模型步长进行调整。
`max_det`	`int`	`300`	在跟踪前每帧保留的最大检测数，用于限制解决方案在密集场景中处理的对象数量。
`quantize`	`int or str`	`None`	推理精度：针对 PyTorch 和 TorchScript 模型，使用 `16` (FP16) 或 `32`/不设置 (FP32)；其他格式则在其工件和运行时选择的精度下进行计算。它替代了已弃用的 `half` 标志。

此外，还可以应用以下可视化设置：

参数	类型	默认值	描述
`show`	`bool`	`False`	如果为 `True`，则会在窗口中显示带标注的图像或视频。适用于开发或测试期间获取即时视觉反馈。
`show_conf`	`bool`	`True`	在每个检测结果旁显示其置信度分数，让你了解模型对每个检测结果的确定程度。
`show_labels`	`bool`	`True`	在可视化输出中显示每个检测结果的标签，帮助你立即了解检测到的对象。

常见问题#

要使用 Ultralytics YOLO26 监测健身训练，你可以利用姿态估计功能实时跟踪和分析关键身体标志点及关节。这样，你就能即时获得运动姿势反馈、计算重复次数并衡量表现指标。你可以先使用以下所示的俯卧撑、引体向上或腹肌训练示例代码：

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()

如需进一步自定义和设置，请参阅文档中的 AIGym 部分。

使用 Ultralytics YOLO26 进行健身训练监测可以带来以下几个主要好处：
- 优化表现： 根据监测数据调整训练，你可以获得更好的效果。
- 实现目标： 轻松跟踪并调整健身目标，取得可量化的进步。
- 个性化： 根据你的个人数据获取定制训练计划，以达到最佳效果。
- 健康意识： 及早发现表明潜在健康问题或过度训练的模式。
- 科学决策： 根据数据调整训练计划并设定切合实际的目标。
你可以观看 YouTube 视频演示，了解这些优势的实际效果。
得益于先进的姿态估计功能，Ultralytics YOLO26 在检测和跟踪运动方面具有很高的准确度。它可以准确跟踪关键身体标志点和关节，实时提供运动姿势反馈和表现指标。模型的预训练权重和稳健架构确保了较高的精确率和可靠性。如需查看实际示例，请参阅文档中的实际应用部分，其中展示了俯卧撑和引体向上计数。
可以，Ultralytics YOLO26 可适配自定义训练计划。AIGym 类使用 up_angle、down_angle 和 kpts 参数检测运动重复次数。你可以指定关键点和角度来检测特定运动。以下是一个设置示例：
from ultralytics import solutions gym = solutions.AIGym( line_width=2, show=True, kpts=[6, 8, 10], # For pushups - can be customized for other exercises )
如需详细了解参数设置，请参阅 Arguments AIGym 部分。这种灵活性让你能够监测各种运动，并根据你的健身目标自定义训练计划。

要保存健身训练监测输出，你可以修改代码，加入用于保存处理后帧的视频写入器。以下是一个示例：

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()

此设置会将监测后的视频写入输出文件，方便你稍后查看训练表现，或将其分享给教练以获取更多反馈。

贡献者

GLglenn-jocher²³ RIRizwanMunawar¹⁷ RAraimbekovm⁵ MAMatthewNoyce² AMambitious-octopus¹ IVIvorZhu331¹

创建时间 2023年12月1日更新时间 3天前