Pose Estimation

MediaPipe pose pipeline।

🎬 গল্প দিয়ে শুরু

Fitness app আপনার squat ঠিক হচ্ছে কিনা কীভাবে বলে? Cricket-এ bowler-এর action analysis কীভাবে হয়? — Pose Estimation। মানুষের শরীরের joint point real-time-এ ধরা।

Pose কী?

Pose = মানব দেহের কিছু গুরুত্বপূর্ণ keypoint (চোখ, কনুই, হাঁটু, কব্জি ইত্যাদি) — সাধারণত ১৭ বা ৩৩টি। প্রতিটি keypoint = (x, y, confidence)।

MediaPipe — সবচেয়ে দ্রুত, CPU-তে real-time

bash

pip install mediapipe opencv-python

python

pose_webcam.py

import cv2, mediapipe as mp

mp_pose = mp.solutions.pose
draw    = mp.solutions.drawing_utils
pose    = mp_pose.Pose(model_complexity=1,
                       enable_segmentation=False,
                       min_detection_confidence=0.5)

cap = cv2.VideoCapture(0)
while True:
    ok, f = cap.read()
    if not ok: break
    rgb = cv2.cvtColor(f, cv2.COLOR_BGR2RGB)
    res = pose.process(rgb)
    if res.pose_landmarks:
        draw.draw_landmarks(f, res.pose_landmarks,
                            mp_pose.POSE_CONNECTIONS)
    cv2.imshow("pose", f)
    if cv2.waitKey(1) == 27: break

33 landmarks

MediaPipe Pose দেয় ৩৩টি keypoint — চোখ, কান, কাঁধ থেকে গোড়ালি পর্যন্ত।

YOLOv8-pose — multi-person, detection-grade

python

from ultralytics import YOLO
model = YOLO("yolov8n-pose.pt")
res = model("yoga.jpg")[0]
res.save("pose.jpg")

for person_kpts in res.keypoints.xy:  # (17, 2)
    print("Right wrist:", person_kpts[10].tolist())

ব্যবহারিক — squat counter

python

import math
def angle(a, b, c):
    """b কেন্দ্রবিন্দুতে কোণ degree-তে"""
    ang = math.degrees(
        math.atan2(c[1]-b[1], c[0]-b[0]) -
        math.atan2(a[1]-b[1], a[0]-b[0]))
    return abs(ang) if abs(ang) <= 180 else 360 - abs(ang)

# pose loop-এর ভেতরে
lm = res.pose_landmarks.landmark
hip   = (lm[mp_pose.PoseLandmark.RIGHT_HIP].x,   lm[mp_pose.PoseLandmark.RIGHT_HIP].y)
knee  = (lm[mp_pose.PoseLandmark.RIGHT_KNEE].x,  lm[mp_pose.PoseLandmark.RIGHT_KNEE].y)
ankle = (lm[mp_pose.PoseLandmark.RIGHT_ANKLE].x, lm[mp_pose.PoseLandmark.RIGHT_ANKLE].y)

knee_angle = angle(hip, knee, ankle)
# < 90° → "down"; > 160° → "up"; transition count = squat

Hand & Face mesh

python

# Hand — 21 landmarks per hand
hands = mp.solutions.hands.Hands(max_num_hands=2)

# Face mesh — 468 points (AR filter, lip-sync)
face  = mp.solutions.face_mesh.FaceMesh()

Applications

Fitness coach — form correction, rep count।
AR filter — Snapchat, Instagram।
Sign language recognition।
Sport analytics — bowling action, cricket bat swing।
Old-age fall detection।
Sign-in/attendance with gesture।

Phase 5 শেষ — কী শিখলেন?

CNN-এর core ও পরিচিত architecture।
Transfer learning ও fine-tuning workflow।
Data augmentation strong recipe।
End-to-end classification pipeline।
YOLOv8 detection + tracking।
Segmentation (semantic, instance, SAM)।
OCR — Tesseract/EasyOCR/PaddleOCR।
Pose estimation — MediaPipe ও YOLO-pose।

পরবর্তী — Phase 6: Modern AI Vision

ক্লাসিক DL শেষ। এবার ViT, GAN, Diffusion, CLIP, 3D vision, SLAM, edge AI — আধুনিক ভিশনের cutting edge।

প্র্যাকটিস টাস্ক

MediaPipe Pose দিয়ে webcam-এ squat counter বানান।
Hand landmark দিয়ে আঙুল গুনে gesture-based digit detect করুন।
YOLO-pose দিয়ে multi-person yoga photo-তে সবার pose বের করুন।