Estudio de librerías de detección de posturas sobre dispositivos móviles

Abstract

Este trabajo presenta un estudio comparativo de diversos modelos de visión artificial preentrenados en estimación de posturas humanas integrables en dispositivos móviles. Existen numerosos modelos de estimación de posturas con características muy heterogéneas y documentaciones dispares según sus desarrolladores, por lo que la aportación principal de este trabajo radica en ofrecer una evaluación homogénea de su funcionamiento. El objetivo es facilitar la elección del más adecuado de ellos para su posterior incorporación en el desarrollo de una futura aplicación para la asistencia a ejercicios de tele-rehabilitación en domicilio que permita guiar al usuario en estos ejercicios y registrar información relevante para el seguimiento clínico, sin necesidad de sensores adicionales ni conexión a internet para el proceso de realización de los ejercicios. Para garantizar un análisis homogéneo, se eligió un subconjunto de imágenes filtrado del conjunto de datos COCO, compuesto por 316 imágenes que contienen una única persona con al menos 15 keypoints (puntos clave) anotados sobre el cual se han evaluado diferentes versiones de tres familias de modelos: MoveNet, BlazePose y YOLOv8-Pose, desde dos perspectivas: - Precisión en la detección de puntos clave para identificación de posturas: exactitud de los modelos al predecir las posturas, medida mediante la métrica AP (Average Precision). Se ha utilizado con la finalidad de poder validar resultados del modelo así como para evaluar la idoneidad de las imágenes seleccionadas. - Rendimiento: tiempo medio de inferencia por imagen sobre un dispositivo móvil Android en condiciones reales. Se ha utilizado para medir el rendimiento de cada modelo (tiempo de ejecución de cada inferencia de cada imagen) en diferentes dispositivos con el fin de poder evaluar la velocidad con la que cada modelo efectúa la estimación. Los resultados muestran diferencias significativas entre modelos en cuanto a la relación precisión-tiempo, destacando las variantes de la subfamilia Thunder de MoveNet y la versión Nano de YOLOv8-Pose por su equilibrio entre rendimiento y exactitud. Este estudio aporta una visión clara y práctica sobre la aplicabilidad de distintos enfoques de estimación de postura en entornos móviles, sirviendo como referencia para desarrolladores e investigadores interesados en sistemas embebidos de visión por computador.

This paper presents a comparative study of various pre-trained computer vision models for human pose estimation that can be integrated into mobile devices. There are numerous pose estimation models with highly heterogeneous characteristics and uneven documentation provided by their developers, so the main contribution of this work lies in offering a homogeneous evaluation of their performance. The aim is to facilitate the selection of the most suitable model for subsequent incorporation into the development of a future application for assisting with home telerehabilitation exercises that will guide the user through these exercises and record relevant information for clinical follow-up, without the need for additional sensors or an internet connection during the exercise process. To ensure a homogeneous analysis, a filtered subset of images from the COCO dataset was selected. This subset consists of 316 images containing a single person with at least 15 annotated keypoints. Different versions of three model families, MoveNet, BlazePose, and YOLOv8-Pose, were evaluated from two perspectives: - Keypoint detection accuracy for pose identification: the accuracy of the models in predicting poses, measured using the Average Precision (AP) metric. It was used to validate model results and to evaluate the suitability of the selected images. - Performance: average inference time per image on an Android mobile device under real-world conditions. It was used to measure the performance of each model (inference execution time for each image) on different devices to evaluate the speed with which each model performs the estimation. The results show significant differences between models in terms of accuracy-time ratio, with the Thunder subfamily of MoveNet and the Nano version of YOLOv8-Pose standing out for their balance between performance and accuracy. This study provides a clear and practical insight into the applicability of different pose estimation approaches in mobile environments, serving as a reference for developers and researchers interested in embedded computer vision systems.