本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：实战 | 使用YOLOv8 Pose实现瑜伽姿势识别

0. 介绍

        瑜伽是一种古老的运动，近年来由于其对身心健康的众多益处而广受欢迎。随着人们对瑜伽的兴趣日益浓厚，对能够准确分类瑜伽姿势的自动化系统的需求也越来越大。本文中我们将探讨如何使用 YOLOv8 Pose（一种先进的对象检测模型）对图像和视频中的瑜伽姿势进行分类。

    我们将讨论以下主题：

1. YOLOv8 Pose简介

    YOLO（You Only Look Once）是一种流行的实时目标检测算法，以其速度和准确性而闻名。YOLOv8 Pose 是 YOLOv8 的扩展，专为人体姿势估计而设计。它可以实时检测和分类人体关键点，使其成为瑜伽姿势分类的理想选择。

2. 数据准备

    在开始之前，需要一个包含各种瑜伽姿势的图像或视频的数据集，以及身体关键点的相应标注。确保您的数据集结构良好且组织良好。

    使用 Roboflow 的瑜伽姿势分类数据集

https://universe.roboflow.com/new-workspace-mujgg/yoga-pose

3. 在Google Colab上训练YOLOv8 Pose

    要在 Google Colab 上训练 YOLOv8 Pose，请按照以下步骤操作：

    A. 将您的 roboflow 数据集或手动注释的数据集上传到 Google Drive 的单独文件夹（例如 Yoga）中，以便在 Colab 中轻松访问。

    B. 创建一个新的 Colab 笔记本并安装您的 Google Drive：

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

    C. 安装所需的依赖项：    ​​​​​​​

%pip install ultralytics
import ultralytics

    D. 准备YOLO 格式的数据集和标注。

    E. 为您的自定义数据集创建一个 YAML 文件（例如 data.yaml）：

#data.yaml

train: /content/drive/MyDrive/yoga_data/train/images
val: /content/drive/MyDrive/yoga_data/val/images
nc: 5 # Number of classes (yoga poses)
names: ['pose1', 'pose2', 'pose3', 'pose4', 'pose5']

    F. 开始训练YOLOv8 Pose：

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

    从 Gdrive 中的 running/pose/train/weights/best.pt 下载模型。

    确保根据您的数据集和首选项调整超参数和路径。

    此代码将模型及其权重保存到指定目录。

4. 在本地使用自定义训练模型进行模型预测

    模型训练完成后，您可以使用以下代码片段进行预测：

    在Opencv中查看：

import numpy as np
from ultralytics import YOLO
import cv2
import cvzone
import math
import time


cap = cv2.VideoCapture(0)  # For Video

model = YOLO("../models/yolov8n.pt")

classNames = ["Bitilasana", "Lotus Pose","Tree Pose",....
              ] #include all the class names

prev_frame_time = 0
new_frame_time = 0

while True:
    new_frame_time = time.time()
    success,img = cap.read()
    results = model(img,stream=True,verbose=False)
    for r in results:
        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
            cvzone.cornerRect(img,(x1,y1,w,h))
            conf = math.ceil((box.conf[0]*100))/100
            cls = int(box.cls[0])
            cvzone.putTextRect(img,f'{classNames[cls]} {conf}',(max(0,x1),max(35,y1)),scale=1)

    fps = 1/(new_frame_time - prev_frame_time)
    prev_frame_time = new_frame_time
    print(fps)

    cv2.imshow("Image",img)
    cv2.waitKey(1)

    或者创建单独的 conda 或 Venv 或 Pipenv 环境

pip install ultralytics

#in terminal

​​​​​​​具体检测代码：​​​​​​

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("../models/best.pt")  #colab custom trained model 

# Perform object detection on the image
results = model(source='Yoga.jpg',save=True, conf=0.7)

#For video

results = model(source='Yoga.mp4',save=True, conf=0.7)

    简单地使用预训练模型来预测姿势手动标注：

from ultralytics import YOLO

# Load the YOLO model
model = YOLO('yolov8m-pose.pt')

# Define a class mapping dictionary
class_mapping = {
    0: 'Pose1', # The key is the class id, you may need to adjust according to your model
    # Add more mappings as needed
}

# Perform object detection on the image
results = model(source='Pose1.jpg')

# Replace class names with custom labels in the results
for result in results:
    for cls_id, custom_label in class_mapping.items():
        if cls_id in result.names: # check if the class id is in the results
            result.names[cls_id] = custom_label # replace the class name with the custom label

# Perform object detection on the image
results = model(source='Pose1.jpg',save=True, conf=0.7)

效果图：

THE END!

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。