使用锻炼监测Ultralytics YOLO11

Q: What are the benefits of using Ultralytics YOLO11 for workout monitoring?

使用Ultralytics YOLO11 进行锻炼监测有几大好处：您可以观看 YouTube 视频演示，了解这些优势的实际效果。

Q: Can I use Ultralytics YOLO11 for custom workout routines?

是的，Ultralytics YOLO11 可以调整为定制的锻炼程序。AIGym 类支持不同的姿势类型，如 "俯卧撑"、"引体向上 "和 "腹肌锻炼"。您可以指定关键点和角度来检测特定练习。下面是一个设置示例：有关设置参数的更多详情，请参阅参数 AIGym 部分。这种灵活性使您可以监控各种练习，并根据自己的需要定制例程。

Q: How can I save the workout monitoring output using Ultralytics YOLO11?

要保存运动监控输出，可以修改代码，加入一个视频写入器，保存处理过的帧。下面是一个示例：此设置可将监控视频写入输出文件。更多详情，请参阅带保存输出的锻炼监控部分。

通过姿势估算监测锻炼 Ultralytics YOLO11通过实时准确地跟踪关键的身体地标和关节，增强了运动评估功能。这项技术可提供有关锻炼姿势的即时反馈、跟踪锻炼程序并测量性能指标，从而优化用户和教练的训练课程。

观看： 使用Ultralytics YOLO11 监测锻炼情况 | 俯卧撑、引体向上、腹肌锻炼

锻炼监测的优势？

优化性能：根据监测数据定制锻炼计划，以获得更好的效果。
实现目标：跟踪和调整健身目标，以取得可衡量的进展。
个性化：根据个人数据定制锻炼计划，提高效率。
健康意识：及早发现表明存在健康问题或训练过度的模式。
知情决策：以数据为依据，做出调整常规和设定现实目标的决定。

真实世界的应用

锻炼监测	锻炼监测

俯卧撑计数	引体向上计数

锻炼监测示例

CLIPython

# Run a workout example
yolo solutions workout show=True

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

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

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()

关键点地图

关键点顺序Ultralytics YOLO11 姿势

论据 `AIGym`

名称	类型	默认值	说明
`kpts`	`list`	`None`	三个关键点索引列表，用于计算特定的锻炼，之后是关键点地图
`line_width`	`int`	`2`	绘制线条的厚度。
`show`	`bool`	`False`	显示图像的标志。
`up_angle`	`float`	`145.0`	向上 "姿势的角度阈值。
`down_angle`	`float`	`90.0`	俯卧 "姿势的角度阈值。
`model`	`str`	`None`	Ultralytics YOLO Pose 模型文件的路径

论据 `model.predict`

论据	类型	默认值	说明
`source`	`str`	`'ultralytics/assets'`	指定推理的数据源。可以是图像路径、视频文件、目录、URL 或用于实时馈送的设备 ID。支持多种格式和来源，可灵活应用于不同类型的输入。
`conf`	`float`	`0.25`	设置检测的最小置信度阈值。如果检测到的对象置信度低于此阈值，则将不予考虑。调整该值有助于减少误报。
`iou`	`float`	`0.7`	非最大抑制 (NMS) 的交叉重叠(IoU) 阈值。较低的数值可以消除重叠的方框，从而减少检测次数，这对减少重复检测非常有用。
`imgsz`	`int or tuple`	`640`	定义用于推理的图像大小。可以是一个整数 `640` 或一个（高度、宽度）元组。适当调整大小可以提高检测效率精确度和处理速度。
`half`	`bool`	`False`	启用半精度（FP16）推理，可加快支持的 GPU 上的模型推理速度，同时将对精度的影响降至最低。
`device`	`str`	`None`	指定用于推理的设备（例如：......）、 `cpu`, `cuda:0` 或 `0`).允许用户选择CPU 、特定GPU 或其他计算设备执行模型。
`batch`	`int`	`1`	指定推理的批量大小（仅当来源为目录、视频文件或 `.txt` 文件).更大的批次规模可以提供更高的吞吐量，缩短推理所需的总时间。
`max_det`	`int`	`300`	每幅图像允许的最大检测次数。限制模型在单次推理中可以检测到的物体总数，防止在密集场景中产生过多的输出。
`vid_stride`	`int`	`1`	视频输入的帧间距。允许跳过视频中的帧，以加快处理速度，但会牺牲时间分辨率。数值为 1 时会处理每一帧，数值越大越跳帧。
`stream_buffer`	`bool`	`False`	决定是否对接收到的视频流帧进行排队。如果 `False`，旧帧会被丢弃，以容纳新帧（针对实时应用进行了优化）。如果为 "真"，则在缓冲区中排队等待新帧，确保不会跳过任何帧，但如果推理的 FPS 低于流的 FPS，则会造成延迟。
`visualize`	`bool`	`False`	在推理过程中激活模型特征的可视化，从而深入了解模型 "看到 "了什么。这对调试和模型解释非常有用。
`augment`	`bool`	`False`	可对预测进行测试时间增强（TTA），从而在牺牲推理速度的情况下提高检测的鲁棒性。
`agnostic_nms`	`bool`	`False`	启用与类别无关的非最大抑制 (NMS)，可合并不同类别的重叠方框。这在多类检测场景中非常有用，因为在这种场景中，类的重叠很常见。
`classes`	`list[int]`	`None`	根据一组类别 ID 过滤预测结果。只有属于指定类别的检测结果才会返回。这对于在多类检测任务中集中检测相关对象非常有用。
`retina_masks`	`bool`	`False`	返回高分辨率分割掩码。返回的掩码 (`masks.data`) 如果启用，将与原始图像大小相匹配。如果禁用，它们将与推理过程中使用的图像大小一致。
`embed`	`list[int]`	`None`	指定从中提取特征向量或嵌入的层。这对聚类或相似性搜索等下游任务非常有用。
`project`	`str`	`None`	保存预测结果的项目目录名称，如果 `save` 已启用。
`name`	`str`	`None`	预测运行的名称。用于在项目文件夹内创建一个子目录，在下列情况下存储预测输出结果 `save` 已启用。

论据 `model.track`

论据	类型	默认值	说明
`source`	`str`	`None`	指定图片或视频的源目录。支持文件路径和 URL。
`persist`	`bool`	`False`	可在帧间持续跟踪对象，在视频序列中保持 ID。
`tracker`	`str`	`botsort.yaml`	指定要使用的跟踪算法，例如 `bytetrack.yaml` 或 `botsort.yaml`.
`conf`	`float`	`0.3`	设置检测的置信度阈值；数值越低，跟踪的物体越多，但可能会出现误报。
`iou`	`float`	`0.5`	设置交叉重叠 (IoU) 阈值，用于过滤重叠检测。
`classes`	`list`	`None`	按类别索引筛选结果。例如 `classes=[0, 2, 3]` 只跟踪指定的类别。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供被跟踪物体的可视化输出。

常见问题

如何使用Ultralytics YOLO11 监控我的锻炼？

要使用Ultralytics YOLO11 监测锻炼情况，可以利用姿势估计功能实时跟踪和分析关键的身体地标和关节。这样，您就可以收到有关锻炼姿势、重复次数和衡量性能指标的即时反馈。您可以先使用所提供的示例代码进行俯卧撑、引体向上或腹肌锻炼，如图所示：

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()

有关进一步的自定义和设置，请参阅文档中的AIGym部分。

使用Ultralytics YOLO11 进行锻炼监测有什么好处？

使用Ultralytics YOLO11 进行锻炼监测有几大好处：

优化性能：根据监测数据定制锻炼计划，可以取得更好的效果。
实现目标：轻松跟踪和调整健身目标，取得可衡量的进展。
个性化：根据个人数据定制锻炼计划，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。
知情决策：以数据为依据做出决策，调整常规工作，制定切实可行的目标。

您可以观看YouTube 视频演示，了解这些优势的实际效果。

Ultralytics YOLO11 在检测和跟踪演习方面的准确性如何？

Ultralytics YOLO11 由于具有最先进的姿态估计功能，它在检测和跟踪运动方面非常准确。它能准确跟踪关键的身体地标和关节，提供有关运动形式和性能指标的实时反馈。该模型的预训练权重和稳健架构确保了高精度和高可靠性。有关真实世界的示例，请查看文档中的真实世界应用部分，其中展示了俯卧撑和引体向上计数。

我可以使用Ultralytics YOLO11 来定制锻炼程序吗？

是的，Ultralytics YOLO11 可以改编成定制的锻炼程序。""是的。 AIGym 类支持不同的姿势类型，如 "俯卧撑"、"引体向上 "和 "腹肌锻炼"。您可以指定关键点和角度来检测特定的练习。下面是一个设置示例：

from ultralytics import solutions

gym = solutions.AIGym(
    line_width=2,
    show=True,
    kpts=[6, 8, 10],
)

有关设置参数的更多详情，请参阅论据 AIGym 部分。这种灵活性使您可以监控各种练习，并根据自己的需要定制例程。

如何使用Ultralytics YOLO11 保存锻炼监控输出？

要保存运动监控输出，可以修改代码，加入一个视频写入器，保存处理过的帧。下面是一个例子：

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()