随着健身行业的发展，越来越多的智能应用涌现，用于帮助健身者更好地记录和分析运动情况。特别是在体能训练中，俯卧撑和引体向上是两个非常常见的动作，它们通常用来锻炼上半身力量和耐力。为了使训练更加科学和高效，实时监控和自动计数这些动作变得尤为重要。

在这篇博客中，我们将介绍如何基于 YOLO-Pose 模型来监控俯卧撑和引体向上的执行情况，并结合计算机视觉技术实现动作计数。我们将探索 YOLO-Pose 如何与人体姿势估计结合，通过检测人体关键点来判断动作的完成度，并最终实现运动计数功能。

1. YOLO-Pose 模型概述

YOLO（You Only Look Once）是一种高效的目标检测算法，以其在实时检测中的高性能而广受欢迎。随着 YOLO 系列的更新，尤其是 YOLOv8、YOLOv9、YOLOv10 和 YOLOv12，YOLO 已经不再仅仅局限于传统的目标检测任务，它还扩展到了包括人体姿势估计、实例分割、语义分割等任务。在姿势估计方面，YOLO-Pose 正是结合 YOLO 的强大检测能力，通过提取人体的关键点坐标来分析人体的运动状态。

YOLO-Pose 模型基于 YOLO 系列架构，专注于人体姿势估计，能够在视频流中实时检测人体的关键点并分析其运动。通过检测这些关键点的相对位置，我们可以判断出用户是否正在进行俯卧撑、引体向上等动作，并基于这些信息进行自动计数。

2. YOLO-Pose 在运动监控中的应用

在运动监控中，尤其是像俯卧撑和引体向上这样依赖肢体动作的训练项目中，我们通常需要对以下几个关节的姿势进行跟踪：

俯卧撑监控：我们需要监控肩膀、肘部和腕部的相对位置，尤其是肘部的弯曲角度。
引体向上监控：我们需要跟踪肩膀、肘部和手腕的运动，特别是手臂是否完全伸直或完全弯曲。

YOLO-Pose 提供的关节坐标（如肩膀、肘部、膝盖等）能够帮助我们精确地计算出这些动作的完成度。通过计算关键点之间的角度变化，我们可以准确判断是否完成了动作的一个循环。

2.1 俯卧撑监控

俯卧撑是一项主要锻炼上肢和胸部肌肉的动作，其标准动作包括双手撑地并弯曲肘部，直到胸部接近地面，然后恢复到初始姿势。在这种运动中，肘部角度的变化是判断动作是否完成的关键。

当肘部角度小于某个阈值时，表示身体处于下压状态；
当肘部角度大于阈值时，表示动作恢复到起始位置。

2.2 引体向上监控

引体向上是一项主要锻炼背部和上肢力量的运动。其标准动作是通过双手抓住横杆，弯曲肘部将身体拉起，直到下巴超过横杆位置，然后恢复到起始姿势。引体向上的关键监控点是肘部和肩膀。

当肘部接近伸直时，表示动作结束；
当肘部弯曲并拉升身体时，表示进入上升状态。

3. AIGym 类的实现：基于 YOLO-Pose 的实时运动监控

在 AIGym 类的实现中，我们使用了 YOLO-Pose 来处理实时视频流中的姿势估计。该类能够实时监控并统计不同类型的运动（如俯卧撑、引体向上等）。下面是 AIGym 类的核心代码，它实现了基于 YOLO-Pose 模型的运动监控和计数功能。

3.1 `AIGym` 类初始化

from ultralytics.utils.checks import check_imshow
from ultralytics.utils.plotting import Annotatorclass AIGym:"""A class to manage the gym steps of people in a real-time video stream based on their poses."""def __init__(self,kpts_to_check=None,line_thickness=2,pose_up_angle=145.0,pose_down_angle=90.0,pose_type="pullup",):"""Initializes the AIGym class with the specified parameters.Args:kpts_to_check (list, optional): Indices of keypoints to check. Defaults to [6, 8, 10].line_thickness (int, optional): Thickness of the lines drawn. Defaults to 2.pose_up_angle (float, optional): Angle threshold for the 'up' pose. Defaults to 145.0.pose_down_angle (float, optional): Angle threshold for the 'down' pose. Defaults to 90.0.pose_type (str, optional): Type of pose to detect ('pullup', 'pushup', 'abworkout', 'squat'). Defaults to "pullup"."""self.kpts_to_check = kpts_to_check or [6, 8, 10]  # Default keypointsself.tf = line_thicknessself.poseup_angle = pose_up_angleself.posedown_angle = pose_down_angleself.pose_type = pose_type# Initialize attributesself.im0 = Noneself.keypoints = Noneself.annotator = Noneself.env_check = check_imshow(warn=True)self.count = []self.angle = []self.stage = []

在初始化方法中，我们定义了以下参数：

kpts_to_check：关键点索引，指示需要监测的关节位置（例如，肩膀、肘部、腕部等）。
pose_up_angle 和 pose_down_angle：这两个角度阈值用于判断动作的上下阶段，适用于不同的运动类型（如俯卧撑、引体向上）。
pose_type：指定需要监测的运动类型，如“pullup”（引体向上）、“pushup”（俯卧撑）等。

3.2 `obj_exe` 方法：实时处理视频帧

def obj_exe(self, im0, results):"""Function used to count the gym steps.Args:im0 (ndarray): Current frame from the video stream.results (list): Pose estimation data."""self.im0 = im0if not len(results[0]):return self.im0# Initialize annotator objectself.annotator = Annotator(self.im0, line_width=self.tf)# If there are more humans in the current frame, extend the count, angle, and stage listsif 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)# Get keypoints from the pose estimation resultself.keypoints = results[0].keypoints.data# Iterate over each detected personfor ind, k in enumerate(self.keypoints):if self.pose_type in {"pushup", "pullup", "abworkout", "squat"}:# Calculate the angle between keypointsself.angle[ind] = self.annotator.estimate_pose_angle(k[int(self.kpts_to_check[0])].cpu(),k[int(self.kpts_to_check[1])].cpu(),k[int(self.kpts_to_check[2])].cpu(),)# Draw keypoints (no need to pass 'shape' argument)self.im0 = self.annotator.draw_specific_points(k, self.kpts_to_check, radius=10)# Determine the exercise stage and countif self.pose_type in {"abworkout", "pullup"}:if self.angle[ind] > self.poseup_angle:self.stage[ind] = "down"if self.angle[ind] < self.posedown_angle and self.stage[ind] == "down":self.stage[ind] = "up"self.count[ind] += 1elif self.pose_type in {"pushup", "squat"}:if self.angle[ind] > self.poseup_angle:self.stage[ind] = "up"if self.angle[ind] < self.posedown_angle and self.stage[ind] == "up":self.stage[ind] = "down"self.count[ind] += 1# Annotate the angle, count, and stage on the imageself.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[int(self.kpts_to_check[1])],)# Draw keypoint linesself.annotator.kpts(k, radius=1, kpt_line=True)return self.im0

在 obj_exe 方法中，YOLO-Pose 模型的输出结果被传递给 AIGym 类，我们利用关键点的角度变化来判断用户的动作是否完成，并更新计数。根据运动类型（如“俯卧撑”或“引体向上”），代码会判断当前动作是否已经完成一个周期（上升和下压）。