LiteRT のご紹介: Google のオンデバイス AI 用の高性能ランタイム（旧称 TensorFlow Lite）です。

このページは Cloud Translation API によって翻訳されました。

姿勢ランドマーク検出ガイド（ウェブ向け）

MediaPipe Pose Landmarker タスクを使用すると、画像または動画内の人体のランドマークを検出できます。このタスクを使用すると、体の主要な位置を特定し、姿勢を分析して、動きを分類できます。このタスクでは、単一の画像または動画を処理する ML モデルを使用します。このタスクは、画像座標と 3 次元ワールド座標でボディポーズのランドマークを出力します。

ここでは、ウェブアプリと JavaScript アプリで Pose Landmarker を使用する方法について説明します。このタスクの機能、モデル、構成オプションの詳細については、概要をご覧ください。

サンプルコード

Pose Landmarker のサンプルコードには、このタスクの JavaScript での完全な実装が記載されています。このコードは、このタスクをテストし、独自のポーズランドマークアプリの作成を開始するのに役立ちます。ウェブブラウザのみを使用して、ポーズランドマークのサンプルコードを表示、実行、編集できます。

セットアップ

このセクションでは、Pose Landmarker を使用するように開発環境を設定する主な手順について説明します。プラットフォームのバージョン要件など、ウェブと JavaScript の開発環境の設定に関する一般的な情報については、ウェブの設定ガイドをご覧ください。

JavaScript パッケージ

ポーズランドマークのコードは、MediaPipe @mediapipe/tasks-vision NPM パッケージで入手できます。これらのライブラリは、プラットフォームの設定ガイドの手順に沿って見つけ、ダウンロードできます。

必要なパッケージは、次のコマンドを使用して NPM からインストールできます。

npm install @mediapipe/tasks-vision

コンテンツ配信ネットワーク（CDN）サービス経由でタスクコードをインポートする場合は、HTML ファイルの <head> タグに次のコードを追加します。

<!-- You can replace JSDeliver with another CDN if you prefer -->
<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision/vision_bundle.js"
    crossorigin="anonymous"></script>
</head>

モデル

MediaPipe Pose Landmarker タスクには、このタスクに対応したトレーニング済みモデルが必要です。Pose Landmarker で使用可能なトレーニング済みモデルの詳細については、タスクの概要のモデルのセクションをご覧ください。

モデルを選択してダウンロードし、プロジェクトディレクトリに保存します。

<dev-project-root>/app/shared/models/

タスクを作成する

Pose Landmarker の createFrom...() 関数のいずれかを使用して、推論を実行するタスクを準備します。トレーニング済みモデルファイルの相対パスまたは絶対パスを指定して createFromModelPath() 関数を使用します。モデルがすでにメモリに読み込まれている場合は、createFromModelBuffer() メソッドを使用できます。

次のコードサンプルは、createFromOptions() 関数を使用してタスクを設定する方法を示しています。createFromOptions() 関数を使用すると、構成オプションでポーズランドマークをカスタマイズできます。構成オプションの詳細については、構成オプションをご覧ください。

次のコードは、カスタムオプションを使用してタスクをビルドして構成する方法を示しています。

const vision = await FilesetResolver.forVisionTasks(
  // path/to/wasm/root
  "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision@latest/wasm"
);
const poseLandmarker = await poseLandmarker.createFromOptions(
    vision,
    {
      baseOptions: {
        modelAssetPath: "path/to/model"
      },
      runningMode: runningMode
    });

設定オプション

このタスクには、ウェブアプリケーションと JavaScript アプリケーション用の次の構成オプションがあります。

オプション名	説明	値の範囲	デフォルト値
`runningMode`	タスクの実行モードを設定します。モードは 2 つあります。 IMAGE: 単一画像入力のモード。動画: 動画のフレームまたはカメラなどの入力データのライブ配信のデコードモード。	{`IMAGE, VIDEO`}	`IMAGE`
`numPoses`	Pose Landmarker で検出できるポーズの最大数。	`Integer > 0`	`1`
`minPoseDetectionConfidence`	ポーズ検出が成功と見なされるための最小信頼度スコア。	`Float [0.0,1.0]`	`0.5`
`minPosePresenceConfidence`	ポーズランドマーク検出でのポーズ存在スコアの最小信頼度スコア。	`Float [0.0,1.0]`	`0.5`
`minTrackingConfidence`	ポーズトラッキングが成功とみなされるための最小信頼スコア。	`Float [0.0,1.0]`	`0.5`
`outputSegmentationMasks`	Pose Landmarker が検出されたポーズのセグメンテーションマスクを出力するかどうか。	`Boolean`	`False`

データの準備

Pose Landmarker は、ホストブラウザでサポートされている任意の形式の画像内のポーズを検出できます。このタスクは、サイズ変更、回転、値の正規化などのデータ入力前処理も処理します。動画内のポーズをランドマーク化するには、API を使用してフレームを 1 つずつすばやく処理し、フレームのタイムスタンプを使用して動画内でポーズが発生したタイミングを特定します。

タスクを実行する

Pose Landmarker は、detect()（実行モード IMAGE の場合）と detectForVideo()（実行モード VIDEO の場合）メソッドを使用して推論をトリガーします。タスクはデータを処理し、ランドマークポーズを試行して結果を報告します。

Pose Landmarker の detect() メソッドと detectForVideo() メソッドの呼び出しは同期的に実行され、ユーザーインターポーズスレッドをブロックします。デバイスのカメラから動画フレームでポーズを検出すると、各検出でメインスレッドがブロックされます。これを防ぐには、ウェブワーカーを実装して、detect() メソッドと detectForVideo() メソッドを別のスレッドで実行します。

次のコードは、タスクモデルを使用して処理を実行する方法を示しています。

画像

const image = document.getElementById("image") as HTMLImageElement;
const poseLandmarkerResult = poseLandmarker.detect(image);

動画

await poseLandmarker.setOptions({ runningMode: "VIDEO" });

let lastVideoTime = -1;
function renderLoop(): void {
  const video = document.getElementById("video");

  if (video.currentTime !== lastVideoTime) {
    const poseLandmarkerResult = poseLandmarker.detectForVideo(video);
    processResults(detections);
    lastVideoTime = video.currentTime;
  }

  requestAnimationFrame(() => {
    renderLoop();
  });
}

Pose Landmarker タスクの実行の完全な実装については、コードサンプルをご覧ください。

結果を処理して表示する

Pose Landmarker は、検出実行ごとに poseLandmarkerResult オブジェクトを返します。結果オブジェクトには、各ポーズランドマークの座標が含まれます。

このタスクの出力データの例を次に示します。

PoseLandmarkerResult:
  Landmarks:
    Landmark #0:
      x            : 0.638852
      y            : 0.671197
      z            : 0.129959
      visibility   : 0.9999997615814209
      presence     : 0.9999984502792358
    Landmark #1:
      x            : 0.634599
      y            : 0.536441
      z            : -0.06984
      visibility   : 0.999909
      presence     : 0.999958
    ... (33 landmarks per pose)
  WorldLandmarks:
    Landmark #0:
      x            : 0.067485
      y            : 0.031084
      z            : 0.055223
      visibility   : 0.9999997615814209
      presence     : 0.9999984502792358
    Landmark #1:
      x            : 0.063209
      y            : -0.00382
      z            : 0.020920
      visibility   : 0.999976
      presence     : 0.999998
    ... (33 world landmarks per pose)
  SegmentationMasks:
    ... (pictured below)

出力には、各ランドマークの正規化された座標（Landmarks）とワールド座標（WorldLandmarks）の両方が含まれます。

出力には、次の正規化された座標（Landmarks）が含まれます。

x、y: 画像の幅（x）と高さ（y）で 0.0 ～ 1.0 に正規化されたランドマークの座標。
z: ランドマークの深さ。腰の中央を原点として測定します。値が小さいほど、ランドマークはカメラに近くなります。z の振幅は、x とほぼ同じスケールを使用します。
visibility: ランドマークが画像内に表示される確率。

出力には、次のワールド座標（WorldLandmarks）が含まれます。

x、y、z: ヒップの中間点を原点とする、メートル単位の現実世界の 3 次元座標。
visibility: ランドマークが画像内に表示される確率。

次の図は、タスク出力の可視化を示しています。

瞑想のポーズをとっている女性。ポーズがワイヤーフレームでハイライト表示され、四肢と胴体の位置が示されます。

省略可能なセグメンテーションマスクは、各ピクセルが検出された人物に属する可能性を表します。次の画像は、タスク出力の分割マスクです。

女性の形状を示す前の画像のセグメンテーションマスク

Pose Landmarker のサンプルコードは、タスクから返された結果を表示する方法を示しています。コードサンプルをご覧ください。