使用Ultralytics YOLO11进行健身监控

通过Ultralytics YOLO11进行姿态估计的健身监控，能够实时准确追踪关键身体标志点和关节，从而提升运动评估的准确性。这项技术提供即时反馈，追踪健身计划，并测量表现指标，为用户和教练优化训练课程。

观看: 使用Ultralytics YOLO11进行健身监控 | 俯卧撑, 引体向上, 腹部训练

健身监控的优势？

优化表现: 根据监控数据定制训练，以获得更好的效果。
目标达成: 追踪并调整健身目标，实现可衡量的进步。
个性化: 根据个人数据定制训练计划，提高有效性。
健康意识: 早期检测可能的健康问题或过度训练的模式。
明智决策: 基于数据调整训练计划和设定现实目标。

实际应用

健身监控	健身监控

俯卧撑计数	引体向上计数

健身监控示例

健身监控保存输出的健身监控

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "错误读取视频文件"
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(
    model="yolo11n-pose.pt",
    show=True,
    kpts=[6, 8, 10],
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("视频帧为空或视频处理已成功完成。")
        break
    im0 = gym.monitor(im0)

cv2.destroyAllWindows()

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "错误读取视频文件"
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(
    show=True,
    kpts=[6, 8, 10],
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("视频帧为空或视频处理已成功完成。")
        break
    im0 = gym.monitor(im0)
    video_writer.write(im0)

cv2.destroyAllWindows()
video_writer.release()

关键点映射

关键点顺序 Ultralytics YOLO11 姿态

`AIGym`参数

名称	类型	默认值	描述
`kpts`	`list`	`None`	三个关键点索引的列表，用于计数特定健身动作，跟随关键点映射
`line_width`	`int`	`2`	绘制的线条的厚度。
`show`	`bool`	`False`	显示图像的标志。
`up_angle`	`float`	`145.0`	'up'姿势的角度阈值。
`down_angle`	`float`	`90.0`	'down'姿势的角度阈值。

`model.predict` 参数

参数	类型	默认值	描述
`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或实时视频流的设备ID。支持多种格式和数据源，适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。置信度低于此阈值的检测对象将被忽略。调整此值有助于减少误报。
`iou`	`float`	`0.7`	交并比 (IoU) 用于非极大值抑制 (NMS) 的阈值。较低的值通过消除重叠框来减少检测数量，有助于减少重复。
`imgsz`	`int or tuple`	`640`	定义推理的图像尺寸。可以是单个整数 `640` 用于方形缩放，或 (高度, 宽度) 元组。适当的尺寸可以提高检测的准确性和处理速度。
`half`	`bool`	`False`	启用半精度 (FP16) 推理，这可以在支持的GPU上加速模型推理，对准确性影响最小。
`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选择模型执行。
`max_det`	`int`	`300`	每张图像允许的最大检测数量。限制模型在一次推理中可以检测到的对象总数，防止在密集场景中输出过多。
`vid_stride`	`int`	`1`	视频输入的帧步长。允许跳过视频中的帧以加快处理速度，代价是时间分辨率降低。值为1处理每一帧，较高的值跳过帧。
`stream_buffer`	`bool`	`False`	确定是否为视频流队列传入帧。如果为 `False`，旧帧会被丢弃以容纳新帧（优化用于实时应用）。如果为 `True`，新帧会被缓冲，确保没有帧被跳过，但如果推理FPS低于流FPS，会导致延迟。
`visualize`	`bool`	`False`	激活推理过程中模型特征的可视化，提供模型“看到”的内容的洞察。有助于调试和模型解释。
`augment`	`bool`	`False`	启用预测时的测试时间增强 (TTA)，可能会提高检测的鲁棒性，但会牺牲推理速度。
`agnostic_nms`	`bool`	`False`	启用类不可知的非极大值抑制（NMS），合并不同类别的重叠框。在多类别检测场景中，类别重叠常见时非常有用。
`classes`	`list[int]`	`None`	过滤预测结果为一组类别ID。只有属于指定类别的检测结果会被返回。在多类别检测任务中，专注于相关对象时非常有用。
`retina_masks`	`bool`	`False`	如果模型可用，使用高分辨率分割掩码。这可以提高分割任务中的掩码质量，提供更精细的细节。
`embed`	`list[int]`	`None`	指定从中提取特征向量或嵌入的层。对于聚类或相似性搜索等下游任务非常有用。

`model.track` 参数

参数	类型	默认值	描述
`source`	`str`	`None`	指定图像或视频的源目录。支持文件路径和URL。
`persist`	`bool`	`False`	启用帧间对象的持续跟踪，在视频序列中保持ID一致。
`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；较低的值允许更多对象被跟踪，但可能包含误报。
`iou`	`float`	`0.5`	设置用于过滤重叠检测的交并比 (IoU) 阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 仅跟踪指定的类别。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供被跟踪对象的视觉输出。

常见问题

如何使用 Ultralytics YOLO11 监控我的锻炼？

要使用 Ultralytics YOLO11 监控您的锻炼，您可以利用姿态估计功能实时跟踪和分析关键身体标志和关节。这使您能够即时获得关于锻炼姿势的反馈，计算重复次数并测量性能指标。您可以从提供的俯卧撑、引体向上或腹部锻炼的示例代码开始：

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()

如需进一步的自定义和设置，请参阅文档中的 AIGym 部分。

使用 Ultralytics YOLO11 进行锻炼监控的好处是什么？

使用 Ultralytics YOLO11 进行锻炼监控提供了几个关键好处：

优化性能： 根据监控数据调整锻炼，可以取得更好的效果。
目标达成： 轻松跟踪和调整健身目标，以实现可衡量的进展。
个性化： 根据您的个人数据获得定制的锻炼计划，以实现最佳效果。
健康意识： 早期检测可能表明潜在健康问题或过度训练的模式。
明智决策： 根据数据驱动做出调整常规和设定现实目标的决策。

您可以观看 YouTube 视频演示以了解这些好处。

Ultralytics YOLO11 在检测和跟踪锻炼时的准确性如何？

Ultralytics YOLO11 由于其先进的姿态估计能力，在检测和跟踪锻炼时非常准确。它可以准确跟踪关键身体标志和关节，提供关于锻炼姿势和性能指标的实时反馈。模型的预训练权重和稳健架构确保了高精度和可靠性。有关实际示例，请查看文档中的实际应用部分，展示了俯卧撑和引体向上的计数。

我可以将 Ultralytics YOLO11 用于自定义锻炼程序吗？

是的，Ultralytics YOLO11 可以适应自定义锻炼程序。AIGym 类支持不同的姿态类型，如 "pushup"、"pullup" 和 "abworkout"。您可以指定关键点和角度来检测特定锻炼。以下是一个示例设置：

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细信息，请参阅参数 AIGym 部分。这种灵活性使您能够监控各种锻炼并根据您的需求自定义程序。

如何使用 Ultralytics YOLO11 保存锻炼监控输出？

要保存锻炼监控输出，您可以修改代码以包含一个视频写入器，该写入器保存处理后的帧。以下是一个示例：

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()