企业官网建设流程全解析

【YOLO数据集分享】健身动作姿态识别数据集，7种健身动作，支持YOLO Pose与动作计数

今天分享一个适合人体姿态估计、健身动作识别和动作计数研究的数据集

该数据集包含深蹲、硬拉和肩部训练等7种健身动作，通过 YOLO Pose 提取人体关键点，并为动作帧标注 Up（向上）和 Down（向下）等状态。

与普通的人体目标检测数据集不同，这个数据集不仅关注人体位置，还包含人体骨架关键点和动作状态信息，适合开展健身动作识别、动作阶段分类和自动计数相关实验。

一、数据集基本介绍

数据集通过提取人员进行健身运动时的视频帧，使用 YOLO Pose 模型获取人体关键点，并为对应动作帧添加状态标签。

其主要用途是利用人体关键点的位置变化，判断健身动作所处的阶段。

1.1 数据集基本信息

需要注意，9192是提供的数据文件数量，并不一定代表9192张独立图像，具体图片数量和标签数量需要以下载后的文件统计为准。

二、数据集包含哪些健身动作？

数据集共包含7种健身动作，主要分为三组：

2.1 深蹲动作（Squat）

深蹲是人体姿态估计中比较典型的动作识别任务。

运动过程中，人体膝关节和髋关节角度会发生明显变化。

通常可以分为：

• Up：站立或向上阶段。
• Down：下蹲阶段。

通过连续识别 Up 和 Down 状态，可以进一步实现深蹲动作计数。

2.2 硬拉动作（Deadlift）

硬拉主要涉及髋部、膝部和躯干的协调运动。

在硬拉过程中，人体由俯身状态逐渐伸展至直立状态，再返回初始姿态。

数据集介绍中提到了硬拉相关的ibw标签，因此实际使用时需要检查其具体含义和标签映射，不能直接假定所有硬拉样本都采用完全相同的 Up/Down 命名。

2.3 肩部训练（Shoulder Exercise）

肩部训练主要涉及上肢运动，可以通过肩关节、肘关节及腕关节的位置变化分析动作状态。

与深蹲、硬拉相比，肩部训练更依赖上半身关键点。

因此，不同健身动作在特征选择方面可能存在差异。

三、数据集标注有什么特点？

该数据集的核心特点是：

人体关键点 + 动作状态标签

普通 YOLO 目标检测数据集通常只标注目标的矩形框，而人体姿态数据集需要描述人体关节的位置。

3.1 人体关键点信息

YOLO Pose 常用的 COCO 人体关键点定义包含17个关键点。

这些关键点可以用于计算人体关节角度、分析身体姿态，以及判断动作变化。

例如：

• 深蹲：重点分析髋部、膝部和踝部关键点。
• 硬拉：重点分析肩部、髋部和膝部关键点。
• 肩部训练：重点分析肩部、肘部和腕部关键点。

需要注意，17关键点是常见的 COCO 人体姿态定义，实际数据文件中的关键点数量、顺序和可见性字段，应以下载后的标注内容为准。

3.2 COCO与YOLO Pose格式

数据集介绍提到使用 COCO 格式组织数据，并通过 YOLO Pose 提取关键点，映射到对应的TXT文件。

这里需要区分两种格式：

COCO关键点格式

通常使用JSON文件保存图片、人体框、关键点坐标等信息。

YOLO Pose格式

通常使用TXT文件，每行记录人体类别、检测框和关键点坐标。

常见的17关键点YOLO Pose标注结构如下：

class x_center y_center width height x1 y1 v1 x2 y2 v2 ... x17 y17 v17

其中：

• class：人体类别。
• x_center、y_center：人体框中心坐标。
• width、height：人体框宽度和高度。
• x、y：人体关键点坐标。
• v：关键点可见性信息。

这是标准格式示例，并不代表该数据集的TXT文件一定采用完全相同的字段结构。

如果数据集中保存的是已经提取好的关键点坐标，则可以直接用于后续动作分类模型，不一定需要重新训练 YOLO Pose。

四、Up和Down标签有什么作用？

这是该数据集与普通人体姿态数据集最大的区别之一。

数据集不仅包含人体关键点，还为动作帧标注了不同的运动状态。

具体状态含义需要结合不同健身动作的标注规则理解。

例如，深蹲动作可以通过连续状态变化实现计数。

动作计数基本原理

开始 ↓ 读取视频帧 ↓ 提取人体关键点 ↓ 识别当前动作状态 ↓ Down → Up ↓ 完成一次有效动作 ↓ 计数 +1

需要说明的是，单张图片只能判断当前动作状态，不能直接确定已经完成多少次动作。

真正的动作计数需要连续视频帧、状态变化判断和重复触发过滤。

例如，可以加入状态持续帧数限制，避免模型在 Up 和 Down 之间频繁抖动，导致重复计数。

因此，这个数据集比较适合训练动作状态分类模型，再结合状态机实现健身动作计数。

五、如何使用数据集进行模型训练？

这个数据集可以采用两种技术路线。

5.1 方案一：YOLO Pose + 规则计数

首先使用预训练 YOLO Pose 模型提取人体关键点，再通过关节角度判断动作状态。

例如，深蹲可以计算膝关节角度：

importnumpyasnpdefcalculate_angle(a,b,c):a=np.array(a,dtype=float)b=np.array(b,dtype=float)c=np.array(c,dtype=float)ba=a-b bc=c-b cosine=np.dot(ba,bc)/(np.linalg.norm(ba)*np.linalg.norm(bc)+1e-8)angle=np.degrees(np.arccos(np.clip(cosine,-1.0,1.0)))returnangle

输入髋部、膝部和踝部三个关键点，就可以计算膝关节角度。

再结合阈值判断动作处于 Up 还是 Down 阶段。

这种方法不需要单独训练动作分类模型，实现难度较低，适合基础实验。

5.2 方案二：YOLO Pose + 机器学习分类

利用数据集已经提取的人体关键点和状态标签，训练一个 Up/Down 分类模型。

可选算法包括：

如果数据集中的样本主要是独立视频帧，可以先使用 Random Forest 或 MLP 完成状态分类。

如果希望使用 LSTM、GRU 等时序模型，则需要确认原始数据是否保留视频来源和帧顺序，以便构建连续动作序列。

推荐初学者优先采用：YOLO Pose + Random Forest + 状态机计数。

这样既能利用已有关键点标签，也可以通过状态变化实现动作次数统计。

六、数据集适合哪些研究方向？

该数据集不仅可以用于动作计数，也适合开展人体姿态分析相关实验。

需要特别注意，数据集主要提供动作关键点及状态信息，没有明确说明包含动作是否标准、错误动作类型等标签。

因此，如果要实现动作规范性评分或错误姿势纠正，通常还需要补充规则、人工标注或额外的数据集。

适合的毕业设计题目

1. 基于YOLO Pose的健身动作识别与自动计数研究
2. 基于YOLO11-Pose的深蹲动作识别与计数方法研究
3. 基于人体关键点与随机森林的健身动作状态分类研究
4. 基于YOLO Pose与GRU的健身动作时序识别研究
5. 基于深度学习的多类别健身动作识别与计数方法研究

对于本科毕业设计，使用该数据集完成关键点提取、动作状态分类和自动计数，具有一定的实践价值。

如果是研究生课题，建议进一步研究动作识别的时序建模、跨人员泛化能力、关键点遮挡鲁棒性等问题。

七、使用这个数据集需要注意什么？

虽然数据集已经提供关键点和动作状态标签，但实际使用时仍然需要关注以下问题。

1. 确认动作类别与状态标签的对应关系

7种动作与Up/Down状态是两个不同层次的标签，训练前需要明确动作类型、状态类别以及对应文件的映射关系。

3. 避免训练集和测试集数据泄漏

如果多个图片来自同一段健身视频，建议按照原始视频或人员划分数据集，而不是随机划分相邻视频帧。

4. 检查关键点质量

健身动作可能出现人体遮挡、关节重叠和关键点识别错误等问题，建议先可视化检查关键点标注。

5. 动作计数需要连续视频

独立帧状态分类准确率高，并不意味着动作计数一定准确。最好额外录制完整健身视频，验证实际计数误差。

八、数据集总结

本次分享的是一个面向健身动作分析的人体姿态数据集。

其主要特点包括：

• 约9192个数据文件
• 数据大小约528MB
• 包含7种健身动作
• 涉及3种深蹲、3种硬拉和1种肩部训练
• 使用YOLO Pose提取人体关键点
• 包含Up/Down等动作状态标注
• 适合动作识别、状态分类和自动计数研究

与普通目标检测数据集相比，该数据集的重点不再是识别图片中有没有人，而是通过人体关键点分析人员正在进行什么动作、动作处于哪个阶段。

对于正在寻找 YOLO Pose、人体姿态估计、健身动作识别相关毕业设计数据集的同学，可以作为参考。