> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/german/function-blocks/ai-blocks/pose-estimation.md). # Pose Estimation Dieser Funktionsblock erkennt Körper-Keypoints von Menschen und zeichnet optional ein Skelett auf eingehenden Bildern. Verwenden Sie ihn, um Positionen ausgewählter Körperteile für Analysen, Protokollierung oder Visualisierung zu extrahieren. ## 📥 Eingänge `Image Any`\ Das zu analysierende Bild (Kameraframe, geladenes Bild oder vorverarbeitetes Bild). `Show Skeleton`\ Boolescher Eingang zum Aktivieren oder Deaktivieren der Skelettdarstellung im Ausgabebild. ## 📤 Ausgänge `Image Any`\ Das Bild mit gezeichnetem Skelett (falls `Show Skeleton` aktiviert ist) und visuellen Markern für erkannte Keypoints. `Selected Body Part Positions`\ Ein dictionary-ähnliches Ergebnis, das die gewählten Körperteilnamen den erkannten Positionen (x, y) zuordnet. Es werden nur die Körperteilgruppen zurückgegeben, die Sie ausgewählt haben. ## 🕹️ Steuerungen `Class Names`\ Eine auswählbare Liste vereinfachter Körperteilgruppen (z. B. head, chest, elbow, hand, hip, knee, foot). Aktivieren Sie die Gruppen, die der Block melden soll. `Confidence`\ Ein Schieberegler zur Anpassung der Erkennungszuverlässigkeit. Höhere Werte reduzieren False Positives, können aber schwache Erkennungen übersehen; niedrigere Werte machen die Erkennung großzügiger. ## ⚙️ Arbeitsweise * Sobald ein Bild am Eingang `Image Any` anliegt, analysiert der Block das Bild und versucht, menschliche Keypoints zu lokalisieren. * Ist `Show Skeleton` auf TRUE gesetzt, überlagert der Block Linien und Marker des Skeletts auf dem Ausgabebild. * Der Block liefert das annotierte Bild sowie eine Zuordnung der ausgewählten Körperteilnamen zu den erkannten Positionen. Ist ein Körperteil nicht mit ausreichender Sicherheit erkannt, wird es in der Zuordnung weggelassen. ## 🎯 Funktionen * Visuelle Skelett-Overlay zur schnellen Prüfung. * Auswahlbare Körperteilgruppen, damit nur die benötigten Teile ausgegeben werden. * Einstellbare Confidence-Steuerung zum Ausbalancieren von Sensitivität und Fehlalarmen. * Echtzeitgeeignet für Live-Kamerastreams in Kombination mit passenden Bildquellen. ## 📝 Nutzungshinweise 1. Versorgen Sie `Image Any` mit einer Bildquelle (z. B. `Camera USB`, `Load Image` oder `Stream Reader`). 2. Wählen Sie mit `Class Names` die Körperteilgruppen aus, die ausgegeben werden sollen. 3. Passen Sie die Erkennungssensitivität mit dem `Confidence`-Schieberegler an. 4. Optional: Senden Sie einen Bool-Wert an `Show Skeleton`, um die Skelettzeichnung ein- oder auszuschalten. 5. Betrachten Sie das Ergebnisbild mit `Show Image` oder speichern/protokollieren Sie die Positionen zur weiteren Verarbeitung. ## 💡 Tipps und Tricks * Verwenden Sie `Camera USB` als Live-Quelle für Echtzeitszenen. * Vergrößern Sie eingehende Bilder mit `Image Resize`, wenn Personen zu klein erscheinen — größere Personenpixel verbessern die Keypoint-Genauigkeit. * Führen Sie zuerst einen schnellen Detektor aus (z. B. `Object Detection`) und schneiden Sie Personen mit `Image ROI` zurecht, um einzelne Personenausschnitte an diesen Block zu übergeben — das erhöht Zuverlässigkeit und reduziert Rechenaufwand. * Zum Vorschauen verbinden Sie diesen Block mit `Show Image`. * Speichern Sie Frames mit Detektionen über `Image Logger` oder exportieren Sie Koordinaten mit `Data to JSON` bzw. `CSV Export` für spätere Analysen. * Kombinieren Sie mit `Draw Result On Image` oder `Draw Detections`, um zusätzlich Statustext oder Bounding Boxes zusammen mit den Skeletten darzustellen. ## 🛠️ Fehlersuche * Keine Keypoints erkannt: Versuchen Sie, den `Confidence`-Wert zu senken oder die Eingangsbildgröße mit `Image Resize` zu erhöhen. * Falsche oder zittrige Keypoints: Erhöhen Sie den `Confidence`-Wert und verbessern Sie Beleuchtung bzw. Schärfe (`Blur` nur vorsichtig zur Rauschreduktion einsetzen). * Personen teilweise außerhalb des Bildes: Nutzen Sie eine vorgelagerte Erkennungs-/Zuschneide-Pipeline (z. B. `Object Detection` → `Image ROI`), damit die Person zentriert erkannt wird. * Langsame Verarbeitung: Reduzieren Sie die Eingangsauflösung mit `Image Resize` oder verarbeiten Sie nur zugeschnittene Personenregionen statt Vollbild. Wenn Sie Ergebnisse protokollieren oder visualisieren möchten, nutzen Sie die in Tipps und Tricks vorgeschlagenen Kombinationen, um eine robuste Pipeline aufzubauen. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.augelab.com/german/function-blocks/ai-blocks/pose-estimation.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.