DOI: https://doi.org/10.30765/er.3423
تاريخ النشر: 2026-08-04
المؤلف: Tomislav Prusina وآخرون
الموضوع الرئيسي: التعرف على وضع الجسم والحركة
نظرة عامة
تقدم ورقة البحث تقييمًا شاملًا لستة أطر متقدمة لتقدير وضع الجسم البشري ثنائي الأبعاد (HPE) في تطبيقات الفيديو في الوقت الحقيقي: OpenPose و YOLO11x و RTMO و RTMPose و Sapiens و MoveNet. باستخدام مجموعة بيانات Panoptic، التي تتضمن 28 فيديو بإجمالي 121.33 دقيقة بمعدل 30 إطارًا في الثانية بدقة HD، تقيم الدراسة هذه الطرق بناءً على تشابه نقاط المفتاح (OKS) والدقة المتوسطة (AP) والاسترجاع المتوسط (AR). تكشف النتائج أنه بينما يتفوق RTMO في الدقة، خاصة في تقدير نقاط المفتاح المخفية، إلا أنه لا يحقق أسرع سرعة معالجة. على العكس، يظهر YOLO11x و MoveNet سرعة متفوقة واستخدام أقل لموارد الأجهزة، حيث حقق MoveNet أعلى عدد من الإطارات في الثانية (FPS) عند 72.48، على الرغم من تقليل الدقة في السيناريوهات المعقدة.
تشدد الورقة على أن اختيار طريقة HPE يجب أن يسترشد بمتطلبات التطبيق المحددة، بما في ذلك العدد المتوقع للأفراد في الإطار والدقة المطلوبة. بالنسبة للتطبيقات التي تتطلب دقة عالية مع ما يصل إلى أربعة أشخاص، يُوصى باستخدام RTMPose. في المشاهد المزدحمة، يُفضل RTMO بسبب تعامله الفعال مع الحجب. يُناسب YOLO11x السيناريوهات التي تكون فيها السرعة واستهلاك الموارد المنخفضة أمرًا حاسمًا، بينما يُعتبر MoveNet مثاليًا للتطبيقات في الوقت الحقيقي على الأجهزة ذات الموارد المحدودة، بشرط أن تكون دقته مقبولة. يقترح المؤلفون أن تركز الأبحاث المستقبلية على اختبار هذه الطرق على الأجهزة المحمولة لتقييم أدائها تحت قيود الموارد الحاسوبية والبطارية، مما يعزز قابليتها للتطبيق في البيئات الواقعية.
طرق
في هذا القسم، يحدد المؤلفون المنهجيات المستخدمة لمعالجة مشكلة تقدير وضع الجسم البشري ثنائي الأبعاد (2D-HPE)، مع التركيز على تطور وتنوع الأساليب على مدار العقد الماضي. يشيرون إلى استعراضات شاملة توثق هذه التطورات ويسلطون الضوء على مشروع Pose-Track، الذي قدم معيارًا واسع النطاق لتقدير وضع الجسم المتعدد الأشخاص القائم على الفيديو. يهدف هذا المشروع إلى حل التناقضات في مسارات وضع الجسم من خلال مجموعة بيانات جديدة مشروحة وتحليل الأداء، على الرغم من عدم توفر الوصول إلى خادم التقييم في وقت كتابة هذه الورقة.
يركز المؤلفون على ثلاث طرق راسخة – RTMO و RTM-Pose و Yolo11X – تم اختيارها لصلتها بالتطبيقات الصناعية بسبب ادعاءاتها بالكفاءة العالية والدقة. بالإضافة إلى ذلك، يتضمنون OpenPose، المعترف بها كطريقة أساسية في هذا المجال، و Sapiens، وهو تقدم حديث من مختبرات Meta Reality الذي يُقال إنه يتجاوز التقنيات السابقة الرائدة. يتم أيضًا تقييم MoveNet، النموذج المحسن من Google للأجهزة المحمولة والأطراف، لأدائه في السيناريوهات متعددة الأشخاص. يتم تقديم ملخص لهذه الطرق في الجدول 1، مع تشجيع المؤلفين للقراء الذين يسعون للحصول على معرفة متعمقة على استشارة الأوراق البحثية الأصلية، حيث يركز عملهم بشكل أساسي على التقييم بدلاً من الاستعراض الشامل.
نتائج
يقدم قسم النتائج تحليلًا مقارنًا لطرق مختلفة لتقدير دقة نقاط المفتاح، مع التركيز بشكل خاص على الدقة المتوسطة (AP) والاسترجاع المتوسط (AR) عبر عتبات OKS مختلفة. أظهر أسلوب OpenPose أدنى أداء، وهو ما يتماشى مع وضعه كطريقة قديمة وغير مدعومة. في المقابل، حقق أسلوب RTMO أعلى الدرجات، مع AP@0.5 قدره 0.92 ومتوسط دقة متوسط (mAP) قدره 0.61، متفوقًا على كل من أسلوبي Sapiens و Yolo11x. ومن الجدير بالذكر أنه بينما كان من المتوقع أن يتفوق أسلوب Sapiens بسبب حجمه الكبير، إلا أنه كان أداؤه أقل مقارنة بـ Yolo11x، الذي قدم توازنًا بين السرعة والدقة.
فيما يتعلق بسرعة المعالجة، كان أسلوب YOLO11x الأسرع عند 47.8 إطارًا في الثانية، مما يجعله مناسبًا للتطبيقات في الوقت الحقيقي، بينما كان أسلوب Sapiens هو الأبطأ عند 0.6 إطارًا في الثانية. حافظ أسلوب RTMO، على الرغم من كونه أبطأ من YOLO11x، على قدراته في الوقت الحقيقي بينما قدم أفضل دقة. يبرز التحليل تناقضًا حاسمًا بين الأساليب: يقدم YOLO11x السرعة ولكن بدقة أقل عند العتبات الأعلى، بينما يوفر RTMPose-L دقة أفضل بسرعة أبطأ، وRTMO، على الرغم من كونه الأبطأ، يحقق أعلى دقة إجمالية. على الرغم من سرعته العالية (72.48 إطارًا في الثانية)، أظهر MoveNet دقة أقل، مما يشير إلى ملاءمته للسيناريوهات التي تُعطى فيها الأولوية للأداء في الوقت الحقيقي على الدقة.
مناقشة
في هذا القسم، تناقش الورقة طرقًا مختلفة لتقدير وضع الجسم البشري ثنائي الأبعاد (HPE)، مع تسليط الضوء على هياكلها وأدائها وتعقيدات التثبيت. تشمل الأساليب التي تم تقييمها OpenPose و RTMO و RTMPose و Sapiens و YOLO11x و MoveNet، حيث تستخدم كل منها استراتيجيات مختلفة لاكتشاف وتحديد مواقع نقاط المفتاح. يستخدم OpenPose بنية CNN متعددة المراحل مع خرائط ثقة الأجزاء وحقول ارتباط الأجزاء، بينما يدمج RTMO طريقة تصنيف الإحداثيات في إطار عمل YOLO للمعالجة في الوقت الحقيقي. يعتمد RTMPose نهجًا من أعلى إلى أسفل مع التركيز على الكفاءة، بينما يستفيد Sapiens من نماذج محولات الرؤية لمجموعة واسعة من المهام البشرية. يُلاحظ أن YOLO11x يتميز ببساطته وسهولة تثبيته، بينما يتم تحسين MoveNet للأجهزة المحمولة والأطراف، مع التركيز على استخدام منخفض للأجهزة.
تكشف نتائج التقييم أن RTMO يتفوق في الدقة، خاصة في تقدير نقاط المفتاح المخفية، بينما تحقق YOLO11x و MoveNet أسرع سرعات استدلال مع الحد الأدنى من استهلاك الموارد. يعتمد اختيار الطريقة على متطلبات التطبيق المحددة، مثل الحاجة إلى الدقة مقابل السرعة وقيود الأجهزة. على سبيل المثال، يُوصى باستخدام RTMPose في السيناريوهات التي تتطلب تقديرات دقيقة مع عدد أقل من الأفراد، بينما يُفضل RTMO في المشاهد المزدحمة. يُناسب YOLO11x التطبيقات التي تتطلب معالجة متقدمة، وMoveNet مثالي للتطبيقات في الوقت الحقيقي على الأجهزة ذات الموارد المحدودة. تختتم الورقة بالتأكيد على أهمية توافق الطريقة المختارة مع حالة الاستخدام المقصودة وتقترح العمل المستقبلي لتقييم الأداء على المنصات المحمولة.
DOI: https://doi.org/10.30765/er.3423
Publication Date: 2026-08-04
Author(s): Tomislav Prusina et al.
Primary Topic: Human Pose and Action Recognition
Overview
The research paper provides a comprehensive benchmarking of six advanced frameworks for 2D human pose estimation (HPE) in real-time video applications: OpenPose, YOLO11x, RTMO, RTMPose, Sapiens, and MoveNet. Utilizing the Panoptic dataset, which includes 28 videos totaling 121.33 minutes at 30 FPS in HD resolution, the study evaluates these methods based on Object Keypoint Similarity (OKS), Average Precision (AP), and Average Recall (AR). The findings reveal that while RTMO excels in precision, particularly in estimating occluded keypoints, it does not achieve the fastest processing speed. Conversely, YOLO11x and MoveNet demonstrate superior speed and lower hardware resource utilization, with MoveNet achieving the highest frames per second (FPS) at 72.48, albeit with reduced accuracy in complex scenarios.
The paper emphasizes that the choice of HPE method should be guided by the specific application requirements, including the expected number of individuals in the frame and the necessary precision. For applications with up to four people requiring high accuracy, RTMPose is recommended. In crowded scenes, RTMO is preferable due to its effective handling of occlusions. YOLO11x is suitable for scenarios where speed and low resource consumption are critical, while MoveNet is ideal for real-time applications on resource-constrained devices, provided that its accuracy is acceptable. The authors suggest that future research should focus on testing these methods on mobile devices to assess their performance under limited computational resources and battery constraints, enhancing their applicability in real-world settings.
Methods
In this section, the authors outline the methodologies employed to tackle the 2D Human Pose Estimation (2D-HPE) problem, emphasizing the evolution and diversity of approaches over the past decade. They reference comprehensive surveys that document these developments and highlight the Pose-Track project, which introduced a large-scale benchmark for video-based multi-person pose estimation. This project aims to resolve inconsistencies in body pose trajectories through a new annotated dataset and performance analysis, although access to the evaluation server was unavailable at the time of writing.
The authors focus on three established methods—RTMO, RTM-Pose, and Yolo11X—selected for their relevance to industrial applications due to their claims of high efficiency and accuracy. Additionally, they include OpenPose, recognized as a foundational method in the field, and Sapiens, a recent advancement from Meta Reality Labs that reportedly surpasses previous state-of-the-art techniques. MoveNet, Google’s optimized model for mobile and edge devices, is also evaluated for its performance in multi-person scenarios. A summary of these methods is provided in Table 1, with the authors encouraging readers seeking in-depth knowledge to consult the original research papers, as their work primarily focuses on benchmarking rather than comprehensive surveying.
Results
The results section presents a comparative analysis of various methods for estimating keypoint accuracy, specifically focusing on Average Precision (AP) and Average Recall (AR) across different OKS thresholds. The OpenPose method exhibited the lowest performance, which aligns with its status as an older, unmaintained technique. In contrast, the RTMO method achieved the highest scores, with an AP@0.5 of 0.92 and a mean Average Precision (mAP) of 0.61, outperforming both the Sapiens and Yolo11x methods. Notably, while the Sapiens method was anticipated to excel due to its large model size, it underperformed relative to Yolo11x, which provided a balance of speed and accuracy.
In terms of processing speed, the YOLO11x method was the fastest at 47.8 FPS, making it suitable for real-time applications, while the Sapiens method was the slowest at 0.6 FPS. The RTMO method, although slower than YOLO11x, maintained real-time capabilities while delivering the best accuracy. The analysis underscores a critical trade-off among the methods: YOLO11x offers speed but lower accuracy at higher thresholds, RTMPose-L provides better accuracy at a slower pace, and RTMO, while the slowest, achieves the highest overall accuracy. MoveNet, despite its high speed (72.48 FPS), demonstrated lower accuracy, indicating its suitability for scenarios where real-time performance is prioritized over precision.
Discussion
In this section, the paper discusses various methods for 2D human pose estimation (HPE), highlighting their architectures, performance, and installation complexities. The methods evaluated include OpenPose, RTMO, RTMPose, Sapiens, YOLO11x, and MoveNet, each employing different strategies for keypoint detection and localization. OpenPose utilizes a multi-stage CNN architecture with Part Confidence Maps and Part Affinity Fields, while RTMO integrates a coordinate classification method into the YOLO framework for real-time processing. RTMPose adopts a top-down approach with a focus on efficiency, and Sapiens leverages vision transformer models for a broader range of human-centric tasks. YOLO11x is noted for its simplicity and ease of installation, whereas MoveNet is optimized for mobile and edge devices, emphasizing low hardware utilization.
The benchmarking results reveal that RTMO excels in precision, particularly in estimating occluded keypoints, while YOLO11x and MoveNet achieve the fastest inference speeds with minimal resource consumption. The choice of method is contingent upon specific application requirements, such as the need for accuracy versus speed and hardware constraints. For instance, RTMPose is recommended for scenarios with fewer individuals requiring precise estimations, while RTMO is preferred for crowded scenes. YOLO11x is suitable for applications with significant post-processing demands, and MoveNet is ideal for real-time applications on resource-constrained devices. The paper concludes by emphasizing the importance of aligning the chosen method with the intended use case and suggests future work to assess performance on mobile platforms.