Skeleton Estimation

Cette fonction réalise une estimation complète du squelette (pose) sur des images d'entrée. Elle propose plusieurs niveaux de détail (Body, Body with Feet, Wholebody), des modes de performance ajustables et des seuils de confiance pour équilibrer vitesse et précision. Les résultats incluent une image de visualisation, des données structurées de squelette, des métadonnées du modèle et un compteur de personnes.

📥 Inputs

Image L'image à analyser pour détecter les poses humaines. Accepte les sources d'image typiques (frames caméra, images chargées ou images traitées par d'autres blocs).

📤 Outputs

Visualization Une image annotée avec les squelettes et les boîtes englobantes dessinées autour des personnes détectées.

Skeletons Données structurées décrivant les personnes détectées : leurs boîtes englobantes, keypoints (avec noms et confiances) et groupements optionnels de parties du corps.

Model Info Métadonnées sur le modèle sélectionné et les paramètres d'exécution (type de modèle, mode, device, seuils).

Person Count Nombre de personnes détectées inclus dans la sortie structurée.

🕹️ Controls

Model Type Choisir le niveau de détail : Body (17 keypoints), Body with Feet (26 keypoints) ou Wholebody (body + face + hands).

Mode Sélectionner le profil de traitement pour privilégier la vitesse ou la précision (par ex. lightweight, balanced, performance).

Skeleton Style Choisir le format de sortie des keypoints, par exemple MMPose ou OpenPose.

Detection Threshold Ajuster la confiance minimale requise pour qu'une personne détectée soit considérée valide.

Keypoint Threshold Ajuster la confiance minimale pour considérer un keypoint individuel comme visible.

Max Persons Limiter le nombre de personnes traitées et renvoyées pour préserver les performances.

🎯 Caractéristiques principales

• Plusieurs formats de modèle pour s'adapter à votre cas d'usage : détection rapide du corps uniquement ou analyse détaillée whole-body (visage + mains).

• Réglage des performances via Mode, Detection Threshold et Max Persons pour s'adapter aux capacités de l'appareil.

• Filtrage des keypoints basé sur la confiance afin que seuls les keypoints fiables soient signalés comme visibles.

• Retour visuel avec superpositions de squelette et boîtes englobantes pour vérification rapide.

• Sorties structurées adaptées à l'automatisation, l'analytique ou la journalisation en aval.

⚙️ Principe de fonctionnement (côté utilisateur)

• Lorsqu'une image est fournie, le bloc exécute le modèle d'estimation sélectionné et renvoie à la fois une image annotée et des données de pose structurées.

• Detection Threshold contrôle si une personne détectée est considérée valide. Des valeurs basses renvoient plus de détections (mais potentiellement plus de faux positifs) ; des valeurs élevées sont plus strictes.

• Keypoint Threshold détermine quels keypoints sont marqués comme visibles ; utilisez-le pour ignorer les articulations de faible confiance.

• Max Persons tronque les résultats aux meilleures détections pour préserver les performances dans les scènes encombrées.

• Le bloc s'adapte au Mode choisi pour ajuster le compromis vitesse/précision : sélectionnez des modes plus légers pour du temps réel et des modes plus lourds pour la précision.

📝 Consignes d'utilisation

1. Fournissez une source d'image à Image. Sources typiques : frames caméra (par ex. Camera USB ou Camera IP (ONVIF)) ou une image chargée (Load Image).

2. Choisissez le Model Type en fonction du niveau de détail souhaité.

3. Réglez Mode selon vos attentes de performance (plus rapide ou plus précis).

4. Ajustez Detection Threshold et Keypoint Threshold pour filtrer les détections peu fiables.

5. Réduisez éventuellement Max Persons pour accélérer le traitement sur des systèmes limités.

6. Utilisez les sorties : affichez Visualization, envoyez Skeletons vers l'analytique ou la journalisation et surveillez Person Count.

💡 Astuces et bonnes pratiques

• Pour des installations en direct, utilisez Camera USB, Camera IP (ONVIF) ou Stream Reader comme sources d'image. Pour les tests, utilisez Load Image.

• Si le traitement est lent, essayez :

  • de sélectionner un Mode plus rapide,

  • de réduire Max Persons,

  • de redimensionner les images en amont avec Image Resize avant d'alimenter ce bloc.

• Améliorez la robustesse sur des images bruitées en appliquant des prétraitements comme Blur ou Denoising avant le bloc de squelettes.

• Pour se concentrer sur une zone spécifique (ex. porte ou ligne d'assemblage), recadrez avec Image ROI ou Image ROI Select et exécutez l'estimation sur cette région uniquement.

• Combinez les sorties avec des blocs de visualisation et de journalisation :

  • Envoyez Visualization à Show Image pour un aperçu interactif.

  • Superposez boîtes ou étiquettes avec Draw Detections ou Write Text On Image pour des écrans opérateur clairs.

  • Sauvegardez des images de vérification avec Image Logger ou enregistrez des sessions avec Record Video pour audit.

  • Convertissez Skeletons structurés en logs via Data to JSON ou exportez des comptes via CSV Export.

• Pour des usages avancés (sécurité, analytique) :

  • Utilisez Skeletons (positions des personnes) avec Social Distance Detector pour vérifier les violations de distance (une transformation de perspective ou calibration via Perspective Transform peut être nécessaire).

  • Injectez les boîtes englobantes ou centres des personnes dans des blocs logiques pour déclencher alertes ou actions externes (ex. Send Mail ou MQTT Publish).

🛠️ Dépannage

• Peu ou pas de détections :

  • Augmentez progressivement Detection Threshold et/ou Keypoint Threshold, ou essayez un Mode plus précis.

  • Assurez-vous que le sujet est bien éclairé et clairement visible dans la source Image.

  • Testez un prétraitement avec Image Resize (upscale ou downscale) pour adapter l'échelle du sujet attendue par le modèle.

• Performances ou réactivité médiocres :

  • Choisissez un Mode plus léger, réduisez Max Persons ou préredimensionnez les images avec Image Resize.

• Résultats bruités ou instables d'une image à l'autre :

  • Envisagez un lissage temporel en aval ou ne journalisez que les détections avec une confiance suffisante (utilisez les seuils).

• Échec d'initialisation ou d'exécution du modèle : vérifiez que les composants runtime requis sont disponibles (installables via les outils de modules de l'application) puis relancez le bloc.

🔗 Exemples de flux de blocs

• Surveillance en temps réel : Camera USB → Image Resize → Skeleton Estimation → Draw Detections → Show Image

• Traçabilité et audit : Camera IP (ONVIF) → Skeleton Estimation → Image Logger + Data to JSON

• Application sécurité (vérification des distances) : Camera USB → Skeleton Estimation → (extraction des centres des personnes) → Social Distance Detector → Draw Result On Image

Utilisez ces combinaisons pour créer des systèmes de détection de poses fiables et performants sans toucher aux détails d'implémentation.