실시간 요가 자세 분류기 데모 공개

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

작성자는 YOLO-Pose로 영상에서 33개 키포인트를 추출한 뒤 자동 라벨링으로 생성한 5종 요가 동작 데이터셋을 YOLO 형식으로 변환하여 훈련하고, 키포인트 좌표들로 math.atan2를 이용해 관절 각도를 계산하는 결정론적 로직으로 포즈를 판정했다. 각 포즈는 수학적 임계값으로 정의되어 Compass Pose는 엉덩이 내전 각도 120도 초과 등 구체적 기준이 설정되었고 Forward Bend는 엉덩이 각도 155도로 판정 기준이 제시되었다. 판정 결과는 라이브 오버레이 타이머와 연동되어 사용자가 임계값을 만족할 때만 유지 시간이 누적되도록 구현되었고 이를 통해 표준 카메라 기반의 실시간 자세 교정 및 타이밍 측정이 가능함이 시연되었다. 이 데모는 모델 기반 키포인트 추출과 규칙 기반 해석을 결합해 해석 가능하고 즉시적인 피드백을 제공하는 구성을 실험적으로 확인했다.

실용적 조언

데이터 준비 과정에서는 기존 포즈 추정 모델로 프레임을 자동 주석 처리한 뒤 YOLO 형식으로 일괄 변환하면 라벨링 비용을 크게 줄일 수 있다. 실시간 각도 계산은 math.atan2 같은 아크탄젠트 함수를 사용해 벡터 간 각도를 안정적으로 산출하고 이 값을 기준으로 임계값을 설정하면 즉각적인 판정 로직을 구성할 수 있다. 또한 판정 신뢰도를 높이려면 키포인트 추정의 신뢰도 점수나 프레임별 스무딩을 도입해 노이즈에 의한 잘못된 카운팅을 줄이는 것이 권장된다.

섹션별 상세

이 프로젝트는 딥러닝 기반 키포인트 검출과 규칙 기반 분류를 결합한 실시간 자세 판정 파이프라인을 제시했다. 입력 영상에서 YOLO-Pose로 33개의 신체 키포인트를 추출하고 그 좌표들을 사용해 atan2로 관절 간 각도를 계산하는 방식으로 작동했다. 저자는 단순한 신경망 분류 대신 기하학적 정렬 규칙을 적용하여 각 포즈의 조건을 명확한 임계값으로 정의하였고 이로 인해 판정 근거가 해석 가능해졌다. 이러한 구조는 모델의 예측 결과를 기반으로 한 피드백 시스템에서 오작동 원인을 추적하기 쉬운 장점을 낳는다.

데이터 준비는 프레임 추출과 자동 라벨링을 통해 이루어졌고 모든 라벨은 YOLO 형식으로 변환되어 훈련에 사용되었다. 게시물에는 다섯 가지 서로 다른 요가 자세를 포함한 비디오 데이터셋을 사용했다는 사실과 각 프레임에 대해 자동으로 키포인트가 주석 처리되었다는 기술적 절차가 명시되었다. 이 워크플로는 수동 라벨링 비용을 줄이고 빠른 프로토타이핑을 가능하게 했다는 근거를 제공했다. 자동 라벨링 품질은 기본 추출 모델의 정확도에 의존하기 때문에 데이터 전처리와 검증 단계가 중요하다는 실무적 시사점이 도출된다.

포즈 판정 로직은 키포인트 정렬에 기반한 결정론적 규칙으로 구현되며 구체적 예시로 Compass Pose에서는 발목이 대응하는 엉덩이보다 높게 위치하고 엉덩이 내전 각도가 120도 초과일 때로 정의하였다. Forward Bend의 경우 엉덩이 각도가 155도로 설정되어 해당 임계값을 만족하면 포즈로 분류하도록 설계되었다. 각도 계산에 math.atan2를 사용해 실시간으로 신체 정렬을 수치화하고 그 결과를 논리 엔진에 입력하여 판정을 내렸다. 이러한 임계값 기반 접근은 포즈 유지 시간 측정과 결합되어 사용자가 정확한 정렬을 유지한 시간만 타이머에 집계되게 했다.

실시간 폼 교정 기능은 판정 로직과 오버레이 타이머를 연동하여 오직 규칙을 충족할 때만 유지 시간 카운트를 시작하는 방식으로 구현되었다. 작성자는 표준 카메라만으로도 CV가 가상 코치나 물리치료 보조 역할을 수행할 수 있었음을 실험적으로 확인했다고 보고했고 라이브 피드백을 통해 사용자가 특정 각도 임계값을 만족해야만 타이머가 증가하는 동작을 관찰했다. 이 구현은 피드백의 투명성과 즉시성을 제공하여 자세 교정 목적의 인터랙션에 적합하다는 의미가 있다. 다만 게시물에는 정량적 성능 지표나 사용자 수용성 평가가 포함되어 있지 않아 추가적인 검증이 필요하다.

이미지 분석

Screenshot
이미지에는 인체 관절을 나타내는 키포인트 마커와 이들을 연결한 선분들이 표시되어 있어 키포인트 추출 결과를 직접 확인할 수 있다. 화면 왼쪽 상단에는 현재 감지된 포즈 레이블과 홀드 타임이 텍스트로 표시되어 있으며 이는 판정 로직과 타이머 연동을 시각적으로 보여준다. 이 스크린샷은 실시간 검출 결과와 규칙 기반 판정이 어떻게 결합되어 사용자에게 피드백으로 제시되는지를 증거로 전달한다.
데모의 실시간 출력 화면으로 보이며 신체 키포인트와 관절 간 각도 판정이 오버레이되어 있는 스크린샷이다.

용어 해설

YOLO-Pose: — YOLO-Pose는 YOLO 계열의 실시간 사람 관절 검출 모델 계열로서 이미지나 영상 프레임에서 다수의 신체 키포인트를 빠르게 추적한다. 입력 영상에서 33개 또는 유사한 수의 관절 좌표를 반환하고 후속 기하학적 연산을 위한 좌표 기반 정보를 제공한다. 실시간 피드백이 필요한 자세 교정 시스템에서 예측 속도와 일관된 키포인트 출력이 중요하다
관절 점 검출(Keypoint Detection): — 관절 점 검출은 사람 신체의 주요 관절 위치를 2D 좌표로 추정하는 컴퓨터 비전 기술로서 입력 영상에서 관절 좌표를 추출한다. 추출된 좌표는 각도 계산과 동작 분류의 기초 입력으로 활용되며 신체 정렬 평가에 필요한 기하학 연산으로 바로 연결된다. 정확한 키포인트 추정은 각도 기반 규칙식의 신뢰도와 직접적으로 연관된다
자동 라벨링(Auto-annotation): — 자동 라벨링은 기존 모델을 이용해 대량의 영상 프레임에 대해 키포인트나 바운딩 박스 같은 라벨을 자동으로 생성하는 과정이다. 이 과정은 수동 라벨링 비용을 줄이고 YOLO 형식 등 훈련 데이터 형식으로 일괄 변환하는 데 사용된다. 자동 라벨링의 품질은 원모델의 성능과 도메인 유사성에 따라 달라진다
각도 기반 분류(Angle-based Classification): — 각도 기반 분류는 추출된 관절 좌표들로부터 atan2 같은 삼각함수 연산으로 관절 간의 각도를 계산하고, 미리 정의한 임계값을 기준으로 동작이나 자세를 판정하는 방법이다. 이 방식은 모델의 직접적인 포즈 라벨 예측을 보완하거나 대체하며 해석 가능성이 높은 규칙 기반 판정을 제공한다. 각도 계산 방식과 임계값 설정이 분류의 핵심이며 실시간 응용에서는 계산 효율성이 중요하다

언급된 도구

YOLO-Pose추천

사람 신체 키포인트 검출 및 포즈 추정