MediaPipe Pose入门指南：瑜伽姿势评估系统搭建教程

1. 引言

1.1 学习目标

本文将带你从零开始，使用Google MediaPipe Pose模型搭建一个完整的瑜伽姿势评估系统。你将学会如何部署本地化的人体骨骼关键点检测服务，实现实时姿态识别与可视化，并基于关键点数据设计基础的动作评分逻辑。

完成本教程后，你将掌握： - MediaPipe Pose 的基本原理与核心能力 - 如何在无 GPU 环境下快速部署高精度姿态检测模型 - 构建 WebUI 实现图像上传与结果展示 - 基于关键点坐标进行角度计算，用于瑜伽动作规范性判断

1.2 前置知识

建议具备以下基础： - Python 编程基础（熟悉cv2,flask或streamlit更佳） - 图像处理基本概念（像素、坐标系、RGB 图像） - 初等几何知识（向量夹角计算）

无需深度学习背景，所有模型均已封装集成。

1.3 教程价值

本项目完全本地运行，不依赖 ModelScope、HuggingFace 或任何外部 API，避免了 Token 验证、网络延迟和隐私泄露问题。特别适合教育、健身应用开发、AI 入门实践等场景。

2. MediaPipe Pose 核心功能解析

2.1 什么是人体姿态估计？

人体姿态估计（Human Pose Estimation）是指从单张 RGB 图像中检测出人体关键关节的空间位置，通常以(x, y, visibility)或(x, y, z, visibility)的形式输出。

MediaPipe Pose 提供两种模型版本： -Lightweight：适用于移动设备或低功耗 CPU，速度极快 -Full：更高精度，支持 33 个 3D 关键点输出

我们采用的是Full 版本，可在普通 CPU 上实现毫秒级推理。

2.2 33 个关键点详解

MediaPipe Pose 输出的 33 个关键点覆盖全身主要关节，包括：

区域	关键点示例
面部	鼻子、左/右眼、左/右耳
躯干	左/右肩、左/右髋、脊柱、胸骨
上肢	左/右肘、左/右手腕、大拇指指尖
下肢	左/右膝、左/右踝、脚跟

这些点按固定索引编号（0–32），例如： -0: 鼻子 -11: 左肩 -13: 左肘 -15: 左手腕 -27: 左脚踝

完整列表可参考 MediaPipe 官方文档

2.3 可视化机制说明

系统自动将检测到的关键点绘制为“火柴人”骨架图： -红点：每个关节点的位置 -白线：连接具有生理关联的关节点（如肩→肘→腕）

该可视化由 OpenCV 实现，直接叠加在原始图像上，便于直观理解动作结构。

3. 系统部署与 WebUI 使用

3.1 环境准备

本镜像已预装所有依赖，无需手动安装。主要组件如下：

# 核心库 pip install mediapipe opencv-python numpy flask streamlit # 可选：用于角度计算 pip install math

⚠️ 注意：所有模型文件已内置，启动即用，无需联网下载。

3.2 启动 Web 服务

假设使用 Streamlit 构建前端界面，核心启动命令为：

import streamlit as st from PIL import Image import cv2 import numpy as np import mediapipe as mp mp_pose = mp.solutions.pose mp_drawing = mp.solutions.drawing_utils st.title("🧘‍♀️ 瑜伽姿势评估系统") uploaded_file = st.file_uploader("上传一张全身照", type=["jpg", "png"]) if uploaded_file: image = Image.open(uploaded_file) image_cv = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR) with mp_pose.Pose(static_image_mode=True, min_detection_confidence=0.5) as pose: results = pose.process(image_cv) if results.pose_landmarks: annotated_image = image_cv.copy() mp_drawing.draw_landmarks( annotated_image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS, landmark_drawing_spec=mp_drawing.DrawingSpec(color=(255,0,0), thickness=2, circle_radius=2), connection_drawing_spec=mp_drawing.DrawingSpec(color=(255,255,255), thickness=2) ) st.image(cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB), caption="骨骼检测结果") else: st.warning("未检测到人体，请尝试其他图片")

保存为app.py，通过以下命令启动：

streamlit run app.py --server.port=7860

3.3 使用流程说明

镜像启动后，点击平台提供的 HTTP 访问按钮。
在 Web 页面中点击“上传一张全身照”，选择符合要求的照片（建议正面站立、全身入镜）。
系统将在 1–2 秒内返回带骨架连线的结果图：
红点：表示识别出的关节位置
白线：表示骨骼连接关系

✅ 成功标志：能看到清晰的“火柴人”轮廓，且关键部位（肩、肘、膝）定位准确。

4. 瑜伽动作评估实战：山式（Tadasana）分析

4.1 动作标准定义

山式是瑜伽中最基础的站姿，正确姿势应满足： - 双脚并拢或微分 - 膝盖伸直但不过伸 - 骨盆中立，脊柱自然曲度 - 肩膀放松，手臂自然下垂

我们可以利用关键点坐标来量化判断是否达标。

4.2 关键角度提取方法

以肩-髋-膝三点为例，判断身体是否挺直。

角度计算函数

import math def calculate_angle(a, b, c): """ 计算三个点形成的角度 ∠abc a, b, c: (x, y) 坐标元组 """ ba = np.array([a.x - b.x, a.y - b.y]) bc = np.array([c.x - b.x, c.y - b.y]) cosine_angle = np.dot(ba, bc) / (np.linalg.norm(ba) * np.linalg.norm(bc)) angle = np.arccos(cosine_angle) return math.degrees(angle) # 示例：判断左侧躯干是否垂直 landmarks = results.pose_landmarks.landmark left_shoulder = landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER] left_hip = landmarks[mp_pose.PoseLandmark.LEFT_HIP] left_knee = landmarks[mp_pose.PoseLandmark.LEFT_KNEE] angle = calculate_angle(left_shoulder, left_hip, left_knee) st.write(f"左侧躯干-大腿夹角：{angle:.1f}°") if 160 <= angle <= 180: st.success("✅ 身体挺直良好") else: st.warning("⚠️ 身体前倾或后仰，请调整")

4.3 多维度评估建议

评估项	涉及关键点	理想范围
上身挺直	肩-髋-膝	160°–180°
手臂自然下垂	肩-肘-腕	160°–180°
膝盖微屈	髋-膝-踝	170°–180°
双手对称性	左右腕 Y 坐标差值	< 0.05（归一化）

📌 注：坐标为归一化值（0~1），X 向右增大，Y 向下增大。

5. 常见问题与优化技巧

5.1 检测失败常见原因

问题现象	可能原因	解决方案
无法检测到人	图像太暗、遮挡严重、距离过远	改善光照，确保全身可见
关节点错位	动作过于复杂、多人同框	单人拍摄，避免交叉肢体
推理缓慢	使用非 CPU 优化框架	确保使用轻量版 MediaPipe
WebUI 加载失败	端口未开放或依赖缺失	检查`requirements.txt`