手把手教你如何用yolo算法进行运动监测

​
视频演示

https://www.bilibili.com/video/BV1wnHyzPEvM
 
大家好，我是Coding茶水间。
今天分享一个基于YOLO算法的运动监测项目，通过识别人体关键关节节点，实现对俯卧撑、深蹲、压腿和高抬腿等动作的自动计数。
视频演示中，我们可以看到实时标注关节点、计算弯曲角度，并统计动作次数。这是一个简单实用的AI应用，适合计算机视觉和体育健康领域的爱好者。
项目效果演示

在视频开头，我们看到一个俯卧撑监测的示例：程序用红色圆圈标注肩膀、肘部和手腕，并显示弯曲角度。随着角度变化，动作次数实时更新，最终计数为4次。

核心原理：人体关键关节节点识别

YOLO算法将人体关节分为17个关键节点，包括眼睛、鼻子、耳朵、肩膀、肘部、手腕、髋关节、膝盖和脚踝等。通过识别这些节点的位置，分析关节间的弯曲角度，来判断动作姿态和计数。

对于俯卧撑，我们重点识别左臂的肩膀（节点5）、肘部（节点7）和手腕（节点9）。
弯曲角度如152度时，表示伸展状态；
角度变化用于计数。
类似地，其他动作选择相应节点：

• 深蹲：肩膀（6）、髋关节（12）、膝盖（14）
  
• 压腿：髋关节（11）、膝盖（13）、脚踝（15）
  
• 高抬腿：髋关节（12）、膝盖（14）、脚踝（16）
  

原理是通过三个核心节点的弯曲情况，监测伸展（up）和收缩（down）状态。
一旦完成一个周期，计数加1。
代码实现

我们使用Python、OpenCV和Ultralytics的solutions包。核心是AIGym类，用于运动监测。以下是完整代码（以俯卧撑为例）：

1. import cv2
3. from ultralytics import solutions
5. # 读取视频
6. cap = cv2.VideoCapture("Pushups.demo.video.mp4")
7. # 判断视频是否读取成功
8. assert cap.isOpened(), "Error reading video file"
10. # 初始化AIGym
11. gym = solutions.AIGym(
12.     show=True,  # 展示效果
13.     kpts=[5, 7, 9],  # 处理的关键点
14.     model="yolo11x-pose.pt",  # 模型路径
15.     # up_angle = 145,
16.     down_angle = 100
17. )
19. # 处理视频
20. while cap.isOpened():
21.     # 读取视频帧数
22.     success, im0 = cap.read()
24.     # 判断是否读取成功
25.     if not success:
26.         print("Video frame is empty or processing is complete.")
27.         break
28.    
29.     # 处理视频帧数
30.     results = gym(im0)
32. cap.release()
33. cv2.waitKey(0)
34. cv2.destroyAllWindows()  # destroy all opened windows

复制代码

整个代码是用Python实现的YOLO运动监测程序，主要用于处理视频帧，识别人体关键点，并计数动作（如俯卧撑）。
它依赖OpenCV（cv2）和Ultralytics的solutions模块。
导入模块

1. import cv2
3. from ultralytics import solutions

复制代码

• 解释：
  
  
  
  • import cv2：导入OpenCV库，用于视频读取、处理和显示。
    
  • from ultralytics import solutions：从Ultralytics库导入solutions模块，其中包含AIGym类，用于AI运动监测（基于YOLO姿态估计）。 这部分是代码的基础，确保所需工具可用。
    
  
  

读取视频并检查

1. #读取视频
2. cap = cv2.VideoCapture("Pushups.demo.video.mp4")
3. #判断视频是否读取成功
4. assert cap.isOpened(), "Error reading video file"

复制代码

• 解释：
  
  
  
  • cap = cv2.VideoCapture("ushups.demo.video.mp4")：打开指定视频文件（这里是俯卧撑演示视频）。cap是一个视频捕获对象，用于逐帧读取。
    
  • assert cap.isOpened(), "Error reading video file"：检查视频是否成功打开。如果失败，抛出错误信息并停止程序。这是一个简单的错误处理，确保视频文件存在且可读。
    
  
  

初始化AIGym对象

1. # 初始化AIGym
2. gym = solutions.AIGym(
3.     show=True,  # 展示效果
4.     kpts=[5, 7, 9],  # 处理的关键点
5.     model="yolo11x-pose.pt",  # 模型路径
6.     # up_angle = 145,
7.     down_angle = 100
8. )

复制代码

• 解释：
  
  
  
  • 创建AIGym实例，用于运动监测。
    
  • show=True：启用实时显示处理后的视频帧（包括标注关键点和角度）。
    
  • kpts=[5, 7, 9]：指定人体关键点（基于YOLO的17个姿态节点）。这里是左侧肩膀(5)、肘部(7)、手腕(9)，适合俯卧撑监测。
    
  • model="yolo11x-pose.pt"：加载YOLOv11x姿态模型（x版精度高，但计算密集；可换成n/m版以加速）。模型文件需提前下载或通过Ultralytics自动获取。
    
  • up_angle = 145：伸展角度阈值（默认145度，表示动作伸展状态）。
    
  • down_angle = 100：设置收缩角度阈值（小于此值视为收缩状态）。用于判断动作周期（up到down再回up计数一次）。这里调整为100度，可能适应特定动作如压腿。 这部分是核心配置，定义了监测的关节和阈值。
    
  
  

处理视频帧的循环

1. # 处理视频
2. while cap.isOpened():
3.     # 读取视频帧数
4.     success, im0 = cap.read()
6.     # 判断是否读取成功
7.     if not success:
8.         print("Video frame is empty or processing is complete.")
9.         break
10.    
11.     # 处理视频帧数
12.     results = gym(im0)

复制代码

• 解释：
  
  
  
  • while cap.isOpened()：循环处理视频，直到结束或关闭。
    
  • success, im0 = cap.read()：读取一帧视频。success是布尔值（True表示读取成功），im0是当前帧图像。
    
  • if not success: ... break：如果读取失败（视频结束），打印消息并退出循环。
    
  • results = gym(im0)：将当前帧传入AIGym处理。它会使用YOLO检测关键点、计算角度、更新计数，并返回结果（可能包括标注后的图像）。由于show=True，会自动显示处理效果。 这是一个主循环，实现实时视频处理。
    
  
  

 释放资源和等待

1. cap.release()
2. cv2.waitKey(0)
3. cv2.destroyAllWindows()  # destroy all opened windows

复制代码

• 解释：
  
  
  
  • cap.release()：释放视频捕获对象，关闭视频文件。
    
  • cv2.waitKey(0)：等待按键输入（0表示无限等待），防止窗口立即关闭。用户可按任意键退出。
    
  • cv2.destroyAllWindows()：关闭所有OpenCV窗口。 这部分是清理操作，确保程序优雅结束。
    
  
  

整体运行逻辑

• 程序读取视频，初始化YOLO监测对象，逐帧处理（检测关键点、计算角度、计数），实时显示结果。
  
• 适用于俯卧撑（通过肘部弯曲计数），可修改kpts、model和角度阈值扩展到其他动作（如深蹲）。
  
• 注意：需确保YOLO模型文件存在；如果电脑配置低，大模型如x版可能卡顿。
  

不同动作示例

深蹲监测

更换kpts=[6,12,14]，视频为深蹲文件。效果：完美识别角度变化，计数4次。

压腿监测

kpts=[11,13,15]，初始用"yolo11n-pose.pt"可能识别不准，换"yolo11x-pose.pt"。调整down_angle=100

高抬腿监测

kpts=[12,14,16]，用"yolo11m-pose.pt"。视频中动作9次，程序准确计数。

注意：根据动作实际情况，动态调整节点、模型和角度阈值。
电脑配置低时，用小模型；精度不足时，用大模型。
 
有问题随时交流。更多AI教程，关注Coding茶水间。
​

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！