在计算机视觉领域，人体姿态检测与轨迹跟踪是很多应用场景的核心技术，例如运动分析、行为识别、智能监控等。本文将介绍如何在 PiscCode 平台上，利用 YOLO-Pose 模型进行姿态估计，并实现多人关键点轨迹跟踪。
一、什么是 PiscCode
PiscCode 是一个面向开发者的计算机视觉编程平台，它提供了灵活的 Python API 封装、多模型管理和高性能视频处理能力。在 PiscCode 平台上，开发者可以方便地：
-
调用不同的目标检测、实例分割、姿态估计模型；
-
对视频帧进行实时处理、绘制和结果渲染；
-
快速构建可复用的视觉算法模块。
在本文示例中，我们使用 PiscCode 的视频处理能力，将 YOLO-Pose 模型封装为一个 FrameObject 类，实现多人体关键点检测与轨迹绘制。
二、YOLO-Pose 模型简介
YOLO-Pose 是 YOLO 系列模型的扩展版本，它在传统目标检测的基础上增加了 人体关键点预测 功能。特点如下：
-
高效、快速，可用于实时视频分析；
-
支持多人姿态检测；
-
与 YOLOv8/v11 系列兼容，可通过
track()方法获取稳定的跟踪 ID。
通过 YOLO-Pose，我们可以得到每个人体的关键点位置，并结合跟踪 ID，实现轨迹记录和绘制。
三、FrameObject 封装实现
下面是基于 YOLO-Pose 的 FrameObject 类，集成了关键点检测、轨迹缓存和绘制功能：
import cv2
import random
from ultralytics import YOLOclass FrameObject:def __init__(self,model_path="E:/影迹-p/Support Files/data/model/yolo11x-pose.pt",device="cuda",line_thickness=2,point_size=6,max_frames=30,draw_bbox=False,):self.model = YOLO(model_path)self.model.to(device)self.device = deviceself.tf = line_thicknessself.point_size = point_sizeself.max_frames = max_framesself.draw_bbox = draw_bboxself.trajectories = {}@staticmethoddef _rand_color():return [random.randint(0, 255) for _ in range(3)]def _ensure_tracks_init(self, track_id: int, kpt_count: int):if track_id not in self.trajectories:self.trajectories[track_id] = [[] for _ in range(kpt_count)]self.trajectories[track_id].append(self._rand_color())else:cur_len = len(self.trajectories[track_id]) - 1if cur_len != kpt_count:color = self.trajectories[track_id][-1]self.trajectories[track_id] = [[] for _ in range(kpt_count)]self.trajectories[track_id].append(color)def do(self, frame):if frame is None:return Noneim = frame.copy()results = self.model.track(im, verbose=False, persist=True, device=self.device)if not results or len(results) == 0:return imres = results[0]ids = res.boxes.id.cpu().numpy() if res.boxes.id is not None else []boxes = res.boxes.xyxy.cpu().numpy() if (self.draw_bbox and res.boxes is not None) else []kpts = getattr(res, "keypoints", None)if kpts is None or kpts.data is None or len(kpts.data) == 0:return imkpts_data = kpts.datafor i, keypoints in enumerate(kpts_data):track_id = int(ids[i]) if i < len(ids) else ikpt_count = len(keypoints)self._ensure_tracks_init(track_id, kpt_count)color = self.trajectories[track_id][-1]for j, point_tensor in enumerate(keypoints):x, y = map(int, point_tensor[:2].detach().cpu().numpy())if x == 0 and y == 0:continueself.trajectories[track_id][j].append((x, y))if len(self.trajectories[track_id][j]) > self.max_frames:self.trajectories[track_id][j].pop(0)cv2.circle(im, (x, y), self.point_size, color, -1)for track_id, traj_list in self.trajectories.items():color = traj_list[-1]for traj in traj_list[:-1]:if len(traj) > 1:for i in range(1, len(traj)):cv2.line(im, traj[i - 1], traj[i], color, thickness=max(1, self.point_size // 3))if self.draw_bbox and len(boxes) > 0:for i, box in enumerate(boxes):x1, y1, x2, y2 = map(int, box[:4])track_id = int(ids[i]) if i < len(ids) else icolor = self.trajectories.get(track_id, [[None], self._rand_color()])[-1]cv2.rectangle(im, (x1, y1), (x2, y2), color, 2)return im
四、应用示例 Demo
五、总结
本文展示了如何在 PiscCode 平台上：
-
使用 YOLO-Pose 模型进行多人关键点检测；
-
结合 track() 方法，实现稳定 ID 的轨迹跟踪；
-
将关键点轨迹可视化到原始视频中。
通过封装成 FrameObject 类，开发者可以轻松集成到视频分析、运动识别、智能监控等应用中，并方便扩展更多功能，例如姿态动作识别或异常行为检测。
对 PiscTrace or PiscCode感兴趣？更多精彩内容请移步官网看看～🔗 PiscTrace
