OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别

阅读量：791 次

发布时间：2023-02-23

本文共 3564 字，大约阅读时间需要 11 分钟。

使用YOLOv8 Pose进行瑜伽姿势分类

瑜伽作为一种富含身心健康益处的运动，近年来受到了广泛关注。为了满足对自动化瑜伽姿势分类系统的需求，本文将探讨如何利用YOLOv8 Pose这一先进的目标检测模型，对图像和视频中的瑜伽姿势进行精准分类。

本文将从以下几个方面展开讨论：

1. YOLOv8 Pose简介

YOLO（You Only Look Once）是一款以速度和准确性著称的实时目标检测算法。YOLOv8 Pose是对YOLOv8模型的扩展，专门针对人体姿势估计任务进行优化。它能够实时检测并分类人体关键点，因此成为瑜伽姿势分类的理想选择。

2. 数据准备

在开始模型训练之前，需要准备一个包含多种瑜伽姿势的图像或视频数据集，并对身体关键点进行标注。确保数据集结构清晰、组织合理。

3. 在Google Colab上训练YOLOv8 Pose

步骤说明

在Google Colab环境中训练YOLOv8 Pose模型，具体操作步骤如下：

上传数据集：将准备好的数据集上传到Google Drive的独立文件夹（例如“Yoga”）中，便于在Colab中访问。

安装Google Drive：创建一个新的Colab笔记本，安装Google Drive：

from google.colab import drivedrive.mount('/content/drive')

安装依赖项：在终端中安装所需的库：

% pip install ultralytics

准备数据集：确保数据集按照YOLO格式组织，包含训练集和验证集的图像文件。

创建数据配置文件：为自定义数据集生成一个YAML文件（例如data.yaml）：

# data.yamltrain: /content/drive/MyDrive/yoga_data/train/imagesval: /content/drive/MyDrive/yoga_data/val/imagesnc: 5  # 类别数量（瑜伽姿势）names: ['pose1', 'pose2', 'pose3', 'pose4', 'pose5']

开始训练：在终端中运行训练命令：

! yolo train model=yolov8n.pt data=data.yaml epochs=200 imgsz=640

训练完成后，可以从Gdrive中的running/pose/train/weights/best.pt下载最终的模型权重文件。

4. 本地使用预训练模型进行模型预测

在OpenCV中实现姿势检测

使用预训练模型进行姿势检测，可以按照以下步骤操作：

import numpy as npfrom ultralytics import YOLOimport cv2import cvzoneimport mathimport time# 初始化摄像头cap = cv2.VideoCapture(0)  # 选择视频源# 加载预训练模型model = YOLO("../models/yolov8n.pt")# 定义类别对应关系classNames = ["Bitilasana", "Lotus Pose", "Tree Pose", "Child's Pose", "Downward-Facing Dog"]# 根据实际需要添加更多类别prev_frame_time = 0new_frame_time = 0while True:    new_frame_time = time.time()    success, img = cap.read()        # 获取模型输出结果    results = model(img, stream=True, verbose=False)        for r in results:        # 遍历每个检测结果        boxes = r.boxes        for box in boxes:            x1, y1, x2, y2 = box.xyxy[0]            x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2)            w, h = x2 - x1, y2 - y1                        # 绘制关键点框架            cvzone.cornerRect(img, (x1, y1, w, h))                        # 获取置信度和类别            conf = math.ceil((box.conf[0] * 100)) / 100            cls = int(box.cls[0])                        # 绘制文字            cvzone.putTextRect(img, f'{classNames[cls]} {conf}', (max(0, x1), max(35, y1)), scale=1)        # 计算帧率    fps = 1 / (new_frame_time - prev_frame_time)    prev_frame_time = new_frame_time        # 显示结果    cv2.imshow("Image", img)    cv2.waitKey(1)        # 退出循环（按下'q'键）    if cv2.waitKey(100) & 0x1:        break

创建独立环境

为了确保代码运行顺利，可以创建一个独立的Anaconda或Pipenv环境：

# 在终端中运行pip install ultralytics

示例检测代码

from ultralytics import YOLO# 加载预训练模型model = YOLO('yolov8m-pose.pt')# 定义类别映射class_mapping = {    0: 'Pose1',    1: 'Pose2',    2: 'Pose3',    3: 'Pose4',    4: 'Pose5'}# 读取图片文件source_image = 'Pose1.jpg'# 进行检测results = model(source_image)# 替换类别名称for result in results:    for cls_id, custom_label in class_mapping.items():        if cls_id in result.names:            result.names[cls_id] = custom_label# 保存检测结果results.save('Pose1_detection.jpg')

预训练模型示例

以下是一个使用预训练模型进行姿势分类的示例代码：

from ultralytics import YOLO# 加载预训练模型model = YOLO('yolov8m-pose.pt')# 定义源文件路径source = 'Yoga.mp4'# 进行检测并保存结果results = model(source, save=True, conf=0.7)results.save('yoga_detection.mp4')

模型训练示例

以下是一个在Colab中训练YOLOv8 Pose模型的示例代码：

! yolo train model=yolov8n.pt data=data.yaml epochs=200 imgsz=640

模型下载

训练完成后，可以从以下路径下载最终的模型权重：

Gdrive/MyDrive/Yoga_Data/training/running/pose/train/weights/best.pt

请根据实际需求调整数据集路径和超参数。

结语

通过以上方法，您可以轻松地利用YOLOv8 Pose对瑜伽姿势进行自动化分类。从数据准备到模型训练，再到最终的姿势检测，您可以按照上述步骤逐步完成整个流程。希望本文的分享能够为您提供有价值的参考，助您在瑜伽姿势分类领域取得更好的成果！

转载地址：http://lesfk.baihongyu.com/

你可能感兴趣的文章