有效的人類姿勢估計

介紹

在計算機視覺的領域內，人類的姿勢估計是一個迷人的領域，應用程序從增加現實和遊戲擴展到機械自治和醫療保健。本文闡明了人類姿勢估計的複雜性，其意義，基本進步和引人注目的應用。

姿勢估計是計算機視覺內部有趣的領域，包括認識到關註一個人的身體以獲取並分析其姿勢的關鍵。我們的目標是將這項創新帶入瑜伽領域，從而使我們能夠從圖片中認識並對瑜伽姿勢進行分類。

學習目標

• 深入了解人類姿勢估計原理及其在計算機視覺中的重要性。
• 理解人類姿勢估計技術如何通過個性化指導和實時反饋來增強瑜伽實踐。
• 在使用Python和相關圖書館為瑜伽應用中實施人類姿勢估計算法方面發展實用技能。

本文作為數據科學博客馬拉鬆的一部分發表。

目錄

• 了解人姿勢估計
• 自下而上與自上而下的姿勢估計方法
• 流行的圖書館和工具
• 增強的人類姿勢估計：一種簡單有效的方法
• 人姿勢估計的應用
• 常見問題

了解人姿勢估計

人姿勢估計是一項計算機視覺任務，涉及以圖形方式表示人的方向。這種技術，利用基於模型的方法，識別和分類圖像或視頻中人體部位和關節的姿勢。關鍵在於捕獲一組坐標，定義腕，肩膀和膝蓋等關節，這些關節共同描述了一個人的姿勢。

人姿勢估計的重要性

人們的檢測隨著機器學習算法而演變，使計算機能夠通過姿勢檢測和跟踪來理解人類的肢體語言。這項技術已成為商業上可行的，影響了安全，商業智能，健康和安全以及娛樂等各種行業。值得注意的是，在冠狀病毒大流行時代，實時姿勢檢測有助於實施社會疏遠措施。

2D和3D人類姿勢估計之間的對比度

存在兩種主要方法是2D姿勢估計和3D姿勢估計。以前的量規會在2D空間中的人體關節區域，而最後提到的人則通過預見額外的Z維度將2D圖片更改為3D抗議。 3D姿勢估計儘管具有挑戰性，但可以在表示形式中進行準確的空間定位。

人類姿勢估計模型的類型

人類姿勢估計模型分為三種主要類型：

• 基於骨架的模型：代表用於3D和2D姿勢估計的骨骼結構。
• 基於輪廓的模型：側重於2D姿勢估計，強調身體的外觀和形狀。
• 基於體積的模型：用於3D姿勢估計的使用，利用3D人體模型和姿勢。

自下而上與自上而下的姿勢估計方法

人類姿勢估計方法的方法大致分為兩種方法：自下而上和自上而下。自下而上，可以單獨評估每個身體關節，而自上而下的則首先採用身體探測器，並確定發現的邊界框中的關節。

了解人姿勢估計的工作涉及研究基本結構，模型體系結構概述以及姿勢估計的各種方法。該過程包括絕對姿勢估計，相對姿勢估計及其組合。

流行的圖書館和工具

幾個開源庫有助於人類姿勢估計：

• OpenPose：支持2D和3D姿勢估計的多人系統。
• 擺放：建立在Tensorflow.js上，提供實時姿勢估計模型。
• 緻密：將人類像素從2D RGB圖像映射到基於3D表面的模型。
• 字母：使用自上而下方法的實時多人姿勢估計庫。
• HRNET（高分辨率網）：適用於高準確的關鍵點熱圖預測。

增強的人類姿勢估計：一種簡單有效的方法

現在讓我們從簡單的人類姿勢估計代碼開始，遵循某些步驟。

步驟1：設置舞台

為了開始我們的旅程，我們需要通過安裝必要的庫來建立環境。 OpenCV，Numpy和Mediapipe對於我們的項目至關重要。執行以下命令安裝它們：

 ！

我們在本文中介紹了Mediapipe，這是一個由Google開發的開源框架，用於構建針對計算機視覺任務的機器學習管道。 MediaPipe簡化了複雜的視覺應用的實現，為人類姿勢估計的預訓練模型提供了最小的努力。其跨平台功能可確保在移動設備，Web應用程序和台式機上保持一致的性能，而其實時處理的設計則可以進行快速的視頻輸入分析。

步驟2：導入必要的庫

導入數學
導入CV2
導入numpy作為NP
從時間進口時間
導入Mediapipe作為MP
導入matplotlib.pyplot作為PLT
來自ipython.display導入html

• `Math'：提供計算的數學功能。
• `cv2`：用於計算機視覺任務的OPENCV庫，例如圖像操縱和處理。
• `numpy as np`：用於數值計算的Numpy庫，並支持數量和矩陣。
• “時間”：用於工作時間的模塊，在此處用於測量執行時間。
• “ MediaPipe作為MP`：用於構建各種媒體類型的感知管道的MediaPipe框架。
• `matplotlib.pyplot as plt`：matplotlib庫，用於創建圖和可視化。
• `ipython.display導入html`：ipython模塊，用於在筆記本中顯示HTML內容。

步驟3：Initialze MediaPipe軟件包

設置MediaPipe的姿勢和繪製實用程序，以進行姿勢檢測和可視化。

 ＃初始化MediaPipe姿勢類。
mp_pose = mp.solutions.pose

＃設置姿勢功能。
姿勢= mp_pose.pose（static_image_mode = true，min_detection_confidence = 0.3，model_complexity = 2）

＃初始化MediaPipe繪圖類，可用於註釋。
mp_drawing = mp.solutions.drawing_utils

• 這些行從MediaPipe框架中初始化必要的組件來執行姿勢估計任務。
• mp_pose = mp.solutions.pose初始化介質姿勢類，啟用姿勢估計功能。
• pose = mp_pose.pose（static_image_mode = true，min_detection_confidence = 0.3，model_complexity = 2）用特定參數設置姿勢函數，例如靜態圖像模式，最小檢測置信度和模型複雜性。
• mp_drawing = mp.solutions.drawing_utils初始化了MediaPipe Drawing Utilities類，該類別提供了用姿勢地標和連接註釋圖像的功能，從而促進了姿勢估計結果的可視化。

步驟4：加載和顯示圖像

使用OpenCV加載圖像並matplotlib顯示它。

 sample_img = cv2.imread（'/content/istockphoto-664637378-612x612.jpg'）
plt.figure（無花果= [10,10]）
plt.title（“ sample_image”）
plt.axis（'off'）
plt.imshow（sample_img [：，：， ：， :: 1]）; plt.show（）

• 此代碼段使用OPENCV庫（cv2.imread（））從指定的文件路徑加載示例圖像。
• 然後，它使用matplotlib在指定尺寸（plt.figure（figsize = [10，10]））的圖中顯示加載的圖像），title（plt.title（“ sample image”）），沒有軸tick（plt.axis（'off'））。
• 最終使用plt.imshow（）函數顯示了圖像，該功能會在指定的圖中照顧顯示圖像。如Matplotlib所期望的RGB圖像，使用[：：，：：：：：：：：：：：：：：：：：：：： - 1]將圖像從BGR轉換為RGB格式。

步驟5：檢測和打印地標

將圖像轉換為RGB，並使用MediaPipe檢測姿勢地標。打印前兩個檢測到的地標（例如，鼻子，left_eye_inner）。

鍵盤識別

Keypoint_landmark

 ＃將圖像轉換為RGB格式後執行姿勢檢測。
結果= pose.process（cv2.cvtcolor（sample_img，cv2.color_bgr2rgb））

＃檢查是否找到任何地標。
如果結果。 pose_landmarks：
    
    ＃迭代兩次，因為我們只想顯示前兩個地標。
    對於我在範圍（2）中：
        
        ＃顯示發現的歸一化地標。
        print（f'{mp_pose.poselandmark（i）.name}：\ n {results.pose_landmarks.landmark [mp_pose.poselandmark（i）.value] .value] .value]}'）

• 使用OpenCV的CV2.CVTCOLOR（）函數將其轉換為RGB格式後，該代碼段在樣本圖像上執行姿勢檢測。
• 然後，它使用結果檢查圖像中是否發現了任何姿勢地標。
• 如果發現地標，它將在前兩個地標進行迭代，並打印其名稱和坐標。
• 具有里程碑意義的名稱是使用mp_pose.poselandmark（i）.NAME獲得的，並且使用results.pose_landmarks.landmarks.landmark [mp_pose.poselandmark（i）.value]訪問坐標。

輸出：

鼻子：
X：0.7144814729690552
Y：0.3049055337905884
Z：-0.1483774036169052
可見度：0.9999918937683105
left_eye_inner：
X：0.7115224599838257
Y：0.2835153341293335
Z：-0.13594578206539154
可見性：0.9999727010726929

步驟6：在圖像上畫地標

創建圖像的副本，使用MediaPipe實用程序繪製檢測到的地標，然後顯示。

 ＃創建示例圖像的副本以繪製地標。
img_copy = sample_img.copy（）

＃檢查是否找到任何地標。
如果結果。 pose_landmarks：
    
    ＃在樣本圖像上繪製姿勢地標。
    mp_drawing.draw_landmarks（image = img_copy，landmark_list = results.pose_landmarks，connections = mp_pose.pose_connections）
       
    ＃指定圖的大小。
    圖= plt.figure（figsize = [10，10]）

    ＃用繪製的地標顯示輸出圖像，還將BGR轉換為RGB以進行顯示。 
    plt.title（“輸出”）
    plt.axis（'off'）
    plt.imshow（img_copy [：，：，：， ::- 1]）
    plt.show（）

• 此代碼段創建了示例圖像的副本，以保留原始圖像，同時在單獨的圖像上繪製地標。
• 它檢查結果中是否發現了任何姿勢地標。
• 如果找到地標，它將使用mp_drawing.draw_landmarks（）在復製圖像上繪製地標。
• 使用plt.figure指定顯示輸出圖像的圖的大小（figsize = [10，10]）。
• 最後，它使用plt.imshow（）繪製的地標顯示了輸出圖像。 [：，：，:: -1]索引用於將圖像從BGR轉換為RGB格式，以使用Matplotlib顯示正確的顯示。

步驟7：3D姿勢可視化

使用MediaPipe的plot_landmarks（）可視化3D中檢測到的地標。

 ＃在3D中構成地標。
mp_drawing.plot_landmarks（results.pose_world_landmarks，mp_pose.pose_connections）

• 此代碼段使用MediaPipe的Plot_landmarks（）函數在3D空間中繪製姿勢地標。
• 它採用結果。 pose_world_landmarks作為輸入，代表世界坐標中的姿勢地標。
• mp_pose.pose_connections指定不同地標之間的連接，有助於可視化骨骼結構。

步驟8：自定義姿勢檢測功能

對於自定義姿勢檢測，我們將使用檢測（）。此功能執行姿勢檢測，顯示結果並選擇返回地標。

 def detectpose（圖像，姿勢，display = true）：
    '''
    此功能在圖像上執行姿勢檢測。
    args：
        圖像：需要檢測到姿勢地標的傑出人物的輸入圖像。
        姿勢：執行姿勢檢測所需的姿勢設置功能。
        顯示：一個布爾值，如果設置為true，則函數顯示原始輸入映像，結果圖像， 
                 還有3D情節中的姿勢地標，什麼也沒返回。
    返回：
        output_image：帶有檢測到的姿勢地標的輸入圖像。
        地標：被檢測到的地標轉換為原始規模的清單。
    '''
    
    ＃創建輸入圖像的副本。
    output_image = image.copy（）
    
    ＃將圖像從BGR轉換為RGB格式。
    imagerb = cv2.cvtcolor（圖像，cv2.color_bgr2rgb）
    
    ＃執行姿勢檢測。
    結果=姿勢。
    
    ＃檢索輸入圖像的高度和寬度。
    高度，寬度，_ =圖像。形狀
    
    ＃初始化列表以存儲檢測到的地標。
    地標= []
    
    ＃檢查是否檢測到任何地標。
    如果結果。 pose_landmarks：
    
        ＃在輸出圖像上繪製姿勢地標。
        mp_drawing.draw_landmarks（image = output_image，landmark_list = results.pose_landmarks，
                                  連接= mp_pose.pose_connections）
        
        ＃迭代被檢測到的地標。
        對於results.pose_landmarks.landmark：
            
            ＃將地標附加到列表中。
            Landmarks.Append（（int（landmark.x *寬度），int（Landmark.Y *高），
                                  （Landmark.z *寬度）））））
    
    ＃檢查原始輸入圖像和結果圖像是否被指定為顯示。
    如果顯示：
    
        ＃顯示原始輸入圖像和結果圖像。
        plt.figure（無花果= [22,22]）
        plt.subplot（121）; plt.imshow（image [：，：：：，::- ::-1]）; plt.title（“原始image”）; plt.axis（'off'）;
        plt.subplot（122）; plt.imshow（output_image [：,,：，::- ::- :: -1]）; plt.title（“ output imput image”）; plt.axis（'off'）;
        
        ＃還將姿勢地標在3D中繪製姿勢地標。
        mp_drawing.plot_landmarks（results.pose_world_landmarks，mp_pose.pose_connections）
        
    ＃ 否則
    別的：
        
        ＃返回輸出圖像和發現的地標。
        返回output_image，地標

• 此功能檢測到使用MediaPipe的姿勢模型在輸入圖像上執行姿勢檢測。
• 它採用三個參數：圖像（輸入圖像），姿勢（姿勢設置功能）和顯示（表示是否顯示結果的布爾值）。
• 它會根據MediaPipe的要求將輸入圖像複製以保留原始圖像並將圖像從BGR轉換為RGB格式。
• 它檢測到轉換的圖像上的姿勢，並使用mp_drawing.draw_landmarks（）在輸出圖像上繪製檢測到的地標。
• 該功能還檢索輸入圖像的高度和寬度，並初始化一個空列表以存儲檢測到的地標。
• 如果顯示參數設置為true，它將顯示原始輸入映像，繪製具有里程碑標記的輸出圖像，並使用mp_drawing.plot_landmarks（）將地標繪製在3D空間中。
• 如果顯示為錯誤，它將用繪製的地標和檢測到的地標列表返回輸出圖像。

步驟9：示例執行

使用檢測（）函數在新樣本圖像上運行姿勢檢測。

 ＃閱讀另一個示例圖像並在其上執行姿勢檢測。
image = cv2.imread（'/content/hd-wallpaper-yoga-training-gym pose-womm-woman-yoga-corcises.jpg'）
檢測（圖像，姿勢，display = true）

• 此代碼段從指定的文件路徑讀取另一個示例圖像。
• 然後，它使用先前初始初始化的姿勢設置來調用detectpose（）函數在圖像上執行姿勢檢測。
• 將顯示參數設置為true將指示函數顯示原始輸入圖像，帶有繪製地標的結果圖像以及地標的3D圖。

步驟10：姿勢分類（可選）

下一步涉及根據關節角度定義一個函數來對戰士，樹等等姿勢進行分類。

戰士檔次，T型，樹窩，未知

DEF分類（地標，output_image，display = false）：
    '''
    此功能根據各種身體關節的角度對瑜伽進行分類。
    args：
        地標：需要對其姿勢進行分類的人的檢測地標清單。
        output_image：繪製姿勢地標的人的圖像。
        顯示：一個布爾值，如果設置為true，則用姿勢標籤顯示結果圖像 
        寫在上面，什麼也沒返回。
    返回：
        output_image：帶有檢測到的姿勢地標的圖像繪製並編寫了姿勢標籤。
        標籤：output_image中該人的分類姿勢標籤。

    '''
    
    ＃初始化姿勢的標籤。在這個階段尚不清楚。
    標籤='未知姿勢'

    ＃指定標籤將在圖像上寫入標籤的顏色（紅色）。
    顏色=（0，0，255）
    
    ＃計算所需角度。
    ＃----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
    
    ＃獲取左肩，肘部和腕部點之間的角度。 
    left_elbow_angle = calculateangle（地標[mp_pose.poselandmark.left_shoulder.value]，
                                      地標[mp_pose.poselandmark.left_elbow.value]，
                                      地標[mp_pose.poselandmark.left_wrist.value]）
    
    ＃獲取右肩，肘部和腕部點之間的角度。 
    right_elbow_angle = calculateangle（地標[mp_pose.poselandmark.right_shoulder.value]，
                                       地標[mp_pose.poselandmark.right_elbow.value]，
                                       地標[mp_pose.poselandmark.right_wrist.value]）   
    
    ＃獲取左肘，肩膀和臀部點之間的角度。 
    left_shoulder_angle = calculateangle（地標[mp_pose.poselandmark.left_elbow.value]，
                                         地標[mp_pose.poselandmark.left_shoulder.value]，
                                         地標[mp_pose.poselandmark.left_hip.value]）

    ＃獲取右臀部，肩膀和肘部點之間的角度。 
    right_shoulder_angle = calculateangle（地標[mp_pose.poselandmark.right_hip.value]，
                                          地標[mp_pose.poselandmark.right_shoulder.value]，
                                          地標[mp_pose.poselandmark.right_elbow.value]）

    ＃獲取左臀部，膝蓋和腳踝點之間的角度。 
    left_knee_angle = calculateangle（地標[mp_pose.poselandmark.left_hip.value]，
                                     地標[mp_pose.poselandmark.left_knee.value]，
                                     地標[mp_pose.poselandmark.left_ankle.value]）

    ＃獲得右臀部，膝蓋和腳踝點之間的角度 
    right_knee_angle = calculateangle（地標[mp_pose.poselandmark.right_hip.value]，
                                      地標[mp_pose.poselandmark.right_knee.value]，
                                      地標[mp_pose.poselandmark.right_ankle.value]）
    
    ＃----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
    
    ＃檢查是戰士II姿勢還是T姿勢。
    ＃至於兩者，兩個臂都應是筆直的，肩膀應處於特定角度。
    ＃----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
    
    ＃檢查雙臂是否筆直。
    如果Left_elbow_angle> 165和left_elbow_angle  165和right_elbow_angle  80和left_shoulder_angle  80和right_shoulder_angle  165和left_knee_angle  165和right_knee_angle  90和left_knee_angle  90和right_knee_angle  160和left_knee_angle  160和right_knee_angle  165和left_knee_angle  165和right_knee_angle  315和left_knee_angle  25和right_knee_angle <p><img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174433982947729.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="有效的人類姿勢估計" ></p><p><img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174433983294618.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="有效的人類姿勢估計" ></p><p><img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174433983446597.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="有效的人類姿勢估計" ></p><pre class="brush:php;toolbar:false"> ＃閱讀示例圖像並在其上執行姿勢分類。
image = cv2.imread（'/content/amp-1575527028--三角形姿勢'）
output_image，地標=檢測（圖像，姿勢，display = false）
如果地標：
    分類（地標，output_image，display = true）

• 該代碼段從指定的文件路徑讀取示例圖像。
• 然後，它使用先前初始初始化的姿勢設置來調用detectpose（）函數在圖像上執行姿勢檢測。
• 如果顯示參數為false，則跳過顯示結果的函數。
• 如果圖像包含檢測到的地標，則該函數調用分類（）根據這些地標對姿勢進行分類並顯示結果。

＃閱讀示例圖像並在其上執行姿勢分類。
圖像= cv2.imread（'/content/warrior2.jpg'）
output_image，地標=檢測（圖像，姿勢，display = false）
如果地標：
    分類（地標，output_image，display = true）

• 該代碼段從指定的文件路徑讀取示例圖像。
• 然後，它使用先前初始初始化的姿勢設置來調用detectpose（）函數在圖像上執行姿勢檢測。
• 顯示參數設置為false，表明該功能不應顯示結果。
• 如果在圖像中檢測到地標，它將調用分類（）函數以根據檢測到的地標對姿勢進行分類並顯示結果。

人姿勢估計的應用

人類姿勢估計發現在不同領域的應用：

健身和健康行業

• 個性化指導：姿勢檢測應用程序指導用戶通過瑜伽會議，提供有關其姿勢對齊的實時反饋。
• 進度跟踪：系統監控用戶的進度，建議對個人技能水平量身定制的修改或進步。

行業級別的應用

• 公司健康計劃：公司可以通過健康計劃和減輕壓力來整合瑜伽姿勢檢測，增強員工健康。

衛生保健

• 姿勢校正：姿勢檢測有助於在康復運動中糾正姿勢，從而確保正確的運動執行。
• 遠程監控：醫療保健專業人員遠程監控患者的瑜伽課程，提供虛擬援助並根據需要調整例程。

運動訓練

• 靈活性和力量訓練：運動訓練計劃中的姿勢檢測使需要靈活性和力量的運動員有益於提高整體表現。

教育

• 互動學習：姿勢檢測增強了教育機構中學生的瑜伽互動和可訪問的學習。
• 技能評估：教師使用技術評估學生的瑜伽技能，提供針對性的改進指南。

娛樂和遊戲

• 沉浸式體驗： VR或AR應用程序與虛擬指導員通過姿勢指導用戶創造沉浸式瑜伽體驗。
• 互動遊戲：健身遊戲中的姿勢檢測使運動變得令人愉悅和激勵。

行業的人體工程學

• 桌面瑜伽課程：將姿勢檢測納入工作場所健康計劃提供簡短的瑜伽課程，改善姿勢並減輕員工的壓力。
• 人體工程學評估：雇主使用姿勢檢測來評估工作站的人體工程學方面，從而促進員工的健康狀況。

用戶利益

• 正確的形式：對形式的立即反饋降低了受傷的風險，從而確保用戶從瑜伽練習中獲得最大收益。
• 便利：用戶可以在虛擬講師或應用程序的指導下練習瑜伽，從而消除了對物理課程的需求。
• 動機：實時進度跟踪和反饋動機，使用戶保持與瑜伽程序一致。

結論

人類姿勢檢測與瑜伽的融合構成超越各個部門，改變了健康和健身。從健身行業的個性化指導和進度跟踪到增強醫療保健的康復和物理治療，該技術提供了多種應用。在運動訓練中，它有助於運動員的靈活性和力量，而在教育中，它帶來了互動且可評估的瑜伽學習經驗。

工作場所受益於桌面瑜伽課和人體工程學評估，從而促進員工福祉。用戶在虛擬講師的指導下，享受正確的形式反饋，便利性和動力，促進了更健康，更有效的瑜伽練習方法。過時的實踐與尖端創新的這種變革性結合為全面的福祉叛亂奠定了道路。

關鍵要點

• 人體姿勢估計是計算機視覺內部的一個領域，包括認識到關註一個人的身體以獲取並分析姿勢的關鍵。
• 人類的姿勢估計已從健康和健康，體育準備，教學，娛樂和工作環境人體工程學。
• 將姿勢發現創新合併到瑜伽hone中，為客戶提供個性化的方向，實時輸入，高級關注，舒適和靈感，促使他們繼續福祉和更熟練的鍛煉。
• 人類姿勢檢測與瑜伽實踐的整合代表了健康技術的重大進步，為全面的幸福革命鋪平了道路。

常見問題

Q1。人類的姿勢估計是什麼，它如何起作用？

答：人類的姿勢估計可能是一種計算機視覺策略，其中包括認識到關註一個人的身體以獲取並分析姿勢的關鍵。它通過利用計算來區分和分類這些關鍵重點，從而實時遵循和檢查人類發展的工作來起作用。

Q2。人姿勢估計在瑜伽實踐中的主要應用是什麼？

答：人類姿勢估計技術可以在瑜伽上連接，以為客戶提供個性化的方向，實時姿勢安排，高級關注和虛擬瑜伽指導。它也可以用於瑜伽指導，恢復和運動準備中。

Q3。人類姿勢估計的一些流行圖書館和工具是什麼？

答：一些流行的開源庫和人類姿勢估計的工具包括開放式，擺姿勢，茂密，字母和HRNET（高分辨率網）。這些庫為執行姿勢估計任務提供了預訓練的模型和API。

Q4。人姿勢估計技術可以用於瑜伽中的姿勢校正嗎？

答：是的，人類的姿勢估計創新可以通過對姿勢安排進行實時批評，並提出更改或更改以幫助客戶實現合理的形狀和安排，從而將人類的姿勢估計創新用於瑜伽中的姿勢補救。

Q5。人類姿勢估計技術是否適合瑜伽的初學者？

答：是的，人類的姿勢估計創新對於瑜伽中的嫩腳可以通過方向，反饋和視覺信號來幫助他們學習和磨練瑜伽姿勢，從而對瑜伽中的嫩腳有用。

本文所示的媒體不由Analytics Vidhya擁有，並由作者酌情使用。

以上是有效的人類姿勢估計的詳細內容。更多資訊請關注PHP中文網其他相關文章！