Avaliação de redes neurais pré-treinadas para tarefas de estimativa de postura humana

Abstract

A prática de exercícios físicos é amplamente benéfica para a saúde física e mental. Contudo, movimentos incorretos ou realizados sem supervisão podem causar lesões e comprometer a qualidade de vida. Técnicas de visão computacional e inteligência artificial têm contribuído para democratizar o acesso a treinamentos supervisionados, com redes neurais de estimativa de poses humanas sendo amplamente distribuídas. Para isso, o estudo define um conjunto de métricas e conduz experimentos que permi tem avaliar a eficácia dos modelos. Especificamente, os objetivos incluem selecionar os modelos a serem avaliados, determinar métricas de desempenho relevantes e vali dar a abordagem proposta por meio de estudos de caso em diferentes cenários. Este estudo busca comparar diferentes modelos pré-treinados, avaliando sua adequação para auxiliar atividades físicas em dispositivos com capacidade computacional limi tada, analisando desempenho e identificando limitações. Os experimentos realizados demonstraram que o MoveNet apresentou o desempenho mais equilibrado em cená- rios desafiadores, mesmo em poses com articulações ocultas. Em comparação, o YOLO e o Mediapipe tiveram perdas significativas, incluindo falhas na detecção de keypoints e maiores erros máximos em métricas como o MPPE. Apesar disso, todos os modelos apresentaram limitações em ângulos desafiadores e poses complexas, indicando a necessidade de treinamentos mais diversificados e robustos. Os resulta dos ressaltam a importância de uma análise criteriosa de desempenho e destacam o MoveNet como o modelo mais consistente em geral. No entanto, melhorias adicio nais são necessárias para garantir uma maior precisão e confiabilidade em aplicações práticas, especialmente em ambientes de baixa capacidade computacional.

The practice of physical exercise is widely beneficial for mental and physical health. However, incorrect movements or unsupervised activities can lead to injuries and re duced quality of life. Computer vision and artificial intelligence techniques have con tributed to democratizing access to supervised training, with neural networks for hu man pose estimation being broadly available. This study defines a set of metrics and conducts experiments to evaluate the effectiveness of different pre-trained mod els. The objectives include selecting models, defining relevant performance metrics, and validating the proposed approach through case studies in diverse scenarios. The study focuses on assessing the models’ suitability for assisting physical activities in low-computational environments, analyzing performance, and identifying limitations. Experiments revealed that MoveNet delivered the most balanced performance in chal lenging scenarios, even for poses with occluded joints. In contrast, YOLO and Medi apipe showed significant shortcomings, including keypoint detection failures and higher maximum errors in metrics like MPPE. Despite this, all models demonstrated limitations in challenging angles and complex poses, highlighting the need for more robust and diverse training. The results emphasize the importance of detailed performance anal ysis and identify MoveNet as the most consistent model overall. However, further im provements are essential to enhance accuracy and reliability in practical applications, especially in low-resource environments.