在健身应用中，自动化的动作识别和计数是一个非常重要的功能，尤其是在健身房或家庭健身中，准确的运动追踪可以帮助用户更好地掌握自己的运动情况。深蹲作为常见的力量训练动作，准确判断深蹲的完成度至关重要。YOLO（You Only Look Once）系列目标检测模型与姿势估计相结合，通过 YOLO-Pose 模型，可以实现对深蹲动作的精准检测和计数。
YOLO-Pose 模型通过对人体关键点的实时监测，能够非常高效地判断用户是否完成了某一动作，并自动统计动作次数。在本篇文章中，我们将详细介绍如何使用 YOLOv8 至 YOLOv12 模型，通过人体关键点（膝盖、髋部、踝部）的角度计算来实现深蹲计数功能。我们还将探讨如何将 YOLO 的目标检测能力与姿势估计结合，实时进行深蹲的自动化计数。
1. YOLO-Pose：从 YOLOv8 到 YOLOv12 的演变
YOLO（You Only Look Once）模型最初主要应用于目标检测领域，其高效的检测能力使得 YOLO 很快成为实时图像处理的首选模型。随着版本的更新，YOLO系列逐渐扩展到了更多领域，包括实例分割、姿势估计等。YOLOv8 和之后的 YOLOv9、YOLOv10、YOLOv11、YOLOv12 等版本，逐步加强了对人体姿势检测的支持，特别是在姿势估计任务中，YOLO-Pose 的表现尤为出色。
1.1 YOLOv8 到 YOLOv12 的发展
YOLOv8：推出了更高效的网络架构，提升了目标检测和姿势估计的精度。该版本对人体姿势的估计已经取得了较为显著的进展，能够准确地预测出人体的关节点位置。
YOLOv9 - YOLOv12：进一步优化了小目标检测的能力，同时通过改进网络结构和引入新的训练数据，YOLOv9 及后续版本的姿势估计功能得到了显著提升。YOLOv11 和 YOLOv12 特别加强了对人体动作的判断和分析，在深蹲等运动姿势的识别方面更加精准。
YOLO-Pose 模型正是基于这些 YOLO 版本的优化，结合人体关键点的预测，实现了实时姿势估计，特别是在需要精确计算人体姿势的运动识别任务中，表现出了强大的应用潜力。
1.2 YOLO-Pose 模型概述
YOLO-Pose 是 YOLO 系列的扩展，结合了目标检测和姿势估计。它通过对人体关键点的识别，能够非常精准地判断运动中的每一个阶段。YOLO-Pose 输出的是人体的关键点坐标，这些坐标包括头部、肩膀、肘部、膝盖、踝部等位置，基于这些关键点的相对角度，可以判断出一个动作的完成度，例如俯卧撑、深蹲等。
2. 姿势估计与深蹲动作识别
深蹲是一项要求膝盖、髋部和踝部等多个部位共同协作的运动，因此，准确地检测这些部位的角度变化对于判断深蹲是否完成至关重要。通过计算膝盖、髋部和踝部的角度，可以有效地判断深蹲的上升和下蹲阶段。
在深蹲动作中，我们主要关注以下几个关键点：
踝部（Ankle）：这是判断膝盖和髋部之间角度变化的关键部位之一。
膝盖（Knee）：膝盖的弯曲程度决定了深蹲是否到达下蹲阶段。
髋部（Hip）：髋部的位置和角度是判断深蹲深度的重要依据。
通过 YOLO-Pose 模型提供的关键点坐标，我们可以根据这些部位的相对角度来判断用户是处于“下蹲”状态还是“站立”状态，并据此统计深蹲次数。
3. 深蹲计数实现：基于 YOLO-Pose 的方法
下面我们将介绍如何利用 YOLO-Pose 模型，在实时视频流中进行深蹲计数。我们将参考现有的 AIGym 类实现，通过对膝盖、髋部和踝部的角度计算，来判断深蹲的完成情况，并自动统计次数。
3.1 类的初始化与参数配置
首先，我们初始化 AIGym 类，该类封装了深蹲检测和计数的功能。关键的参数包括关键点的索引、上蹲和下蹲的角度阈值等。
class AIGym:
"""A class to monitor squat counts using ankle-knee-hip pose angles in real-time video."""
def __init__(
self,
kpts_to_check=None,
line_thickness=6,
pose_up_angle=170.0,
pose_down_angle=90.0,
pose_type="squat",
):
"""
Initializes the AIGym class with specific parameters for squats.
"""
# 默认用右腿 ankle(16) - knee(14) - hip(12)
self.kpts_to_check = kpts_to_check or [16, 14, 12] # 关键点索引，表示右腿的踝、膝盖、髋部
self.tf = line_thickness # 绘制关键点的线宽
self.poseup_angle = pose_up_angle # 完成深蹲动作时的角度上限
self.posedown_angle = pose_down_angle # 完成深蹲动作时的角度下限
self.pose_type = pose_type # 动作类型，此处为 "squat"（深蹲）
self.im0 = None
self.keypoints = None
self.annotator = None
self.env_check = check_imshow(warn=True) # 检查是否能够显示图像
self.count = [] # 记录每个人的深蹲计数
self.angle = [] # 记录每个人的角度
self.stage = [] # 记录每个人的阶段（"up" 或 "down"）
在这个初始化方法中，我们可以设置哪些关键点需要检测，默认情况下我们选择了右腿的踝部、膝盖和髋部（关键点索引分别为16、14、12）。同时，我们也设置了判断深蹲上下阶段的角度阈值：pose_up_angle 和 pose_down_angle。
3.2 obj_exe 方法：实时检测深蹲
obj_exe 方法是 AIGym 类的核心功能，它会处理每一帧图像，并通过 YOLO-Pose 模型检测出人体的关键点。接下来，根据关键点的角度变化，判断深蹲的阶段并进行计数。
def obj_exe(self, im0, results):
"""
Processes a video frame to detect squats and count reps.
"""
self.im0 = im0
if not len(results[0]):
return self.im0
self.annotator = Annotator(self.im0, line_width=self.tf)
if len(results[0]) > len(self.count):
new_human = len(results[0]) - len(self.count)
self.count.extend([0] * new_human)
self.angle.extend([0] * new_human)
self.stage.extend(["-"] * new_human)
self.keypoints = results[0].keypoints.data
for ind, k in enumerate(self.keypoints):
# 计算角度
self.angle[ind] = self.annotator.estimate_pose_angle(
k[self.kpts_to_check[0]].cpu(),
k[self.kpts_to_check[1]].cpu(),
k[self.kpts_to_check[2]].cpu(),
)
# 绘制关键点
self.im0 = self.annotator.draw_specific_points(k, self.kpts_to_check, radius=10)
# 判断深蹲阶段（up/down）并计数
if self.angle[ind] > self.poseup_angle:
self.stage[ind] = "up"
elif self.angle[ind] < self.posedown_angle and self.stage[ind] == "up":
self.stage[ind] = "down"
self.count[ind] += 1
# 显示角度、计数和状态
self.annotator.plot_angle_and_count_and_stage(
angle_text=self.angle[ind],
count_text=self.count[ind],
stage_text=self.stage[ind],
center_kpt=k[self.kpts_to_check[1]], # 膝盖为中心显示位置
)
self.annotator.kpts(k, radius=1, kpt_line=True)
return self.im0
关键点计算：通过
estimate_pose_angle方法，我们计算膝盖、髋部和踝部之间的角度。阶段判断：根据设定的角度阈值，判断是否处于“上蹲”或“下蹲”状态。
计数与显示：在检测到下蹲动作后，增加计数并实时在图像中显示角度、计数和动作状态。
4. 总结与展望
YOLO-Pose 模型结合 YOLOv8 到 YOLOv12 的强大检测能力和精确的姿势估计功能，为实现深蹲等动作的自动计数提供了理想的解决方案。通过计算膝盖、髋部和踝部之间的角度变化，我们可以实时判断深蹲动作的完成情况，并准确统计每个深蹲的次数。
未来，随着 YOLO-Pose 和姿势估计技术的不断优化，预计将能够更准确地检测各种复杂运动动作，并为用户提供更加全面的运动数据分析。这些技术不仅能够应用于健身领域，还可以在康复治疗、运动科学等领域发挥重要作用。
对 PiscTrace or PiscCode感兴趣？更多精彩内容请移步官网看看～🔗 PiscTrace