Snilld

Colab-guide samler Pose2Sim, RTMPose og OpenSim til markerless 3D-kinematik

En ny tutorial viser, hvordan en komplet Pose2Sim-pipeline kan køres i Google Colab. Workflowet går fra multi-kamera-video gennem poseestimering og triangulering til visualisering af bevægelsesbaner og ledvinkler, med forbehold for at fuld kinematik kan kræve et lokalt conda-miljø.

11. april 2026 Peter Munkholm

En ny tutorial samler næsten hele Pose2Sim-forløbet til markerless 3D-kinematik i Google Colab. Den går fra miljøopsætning og Colabs headless runtime til visualisering af bevægelsesbaner og ledvinkler. Rå multi-kamera-video bliver altså kørt hele vejen frem mod biomekaniske bevægelsesdata. Det gør feltet lettere at afprøve, også hvis man ikke starter i et fuldt sat lokalt setup.

Tutorialen går gennem miljøopsætning, kalibrering, 2D-poseestimering, synkronisering, personassociation, triangulering, filtrering, marker augmentation og OpenSim-baseret kinematik. Den viser også resultaterne undervejs. Det er nok den vigtigste styrke her. Man kan følge et sammenhængende workflow i stedet for kun at se slutbilledet.

Banner

Hvad tutorialen dækker

Der er også et ret kontant forbehold. Hvis OpenSim Python-bindings ikke vil installere i Colab, kan resten af forløbet stadig køres, men uden kinematikdelen. Vil man have hele kæden med, peger tutorialen på et lokalt conda-miljø. Colab gør altså indgangen lettere, men ikke nødvendigvis fuld.

GPU bliver tjekket eksplicit i opsætningen. Uden GPU kører poseestimeringen på CPU og bliver langsommere. Det lyder banalt, men det er faktisk nyttig ærlighed. Den slags er bedre at få at vide i starten end efter tyve minutters venten og lidt for meget kaffe.

En bærbar computer viser et notebook-baseret workflow til poseestimering og analyse af video

Pose2Sim beskrives på projektets GitHub som et workflow til 3D markerless kinematik for mennesker eller dyr, som alternativ til klassiske marker-baserede motion-capture-metoder. Projektet er gratis og open source. GitHub-siden fremhæver også, at poseestimeringen nu bruger nyere modeller fra RTMPose.

Banner
Et praktisk multi-kamera setup med smartphones eller små kameraer optager en person i bevægelse uden markører

Hvad projektet selv fremhæver

Det interessante ved Pose2Sim er ikke kun softwaren, men udstyret omkring den. Projektet lægger op til brug af lavpris-kameraer som telefoner, webcams og GoPros, også med fuldt påklædte personer. Det gør teknologien mere realistisk uden for laboratoriet. For mange teams er det forskellen på noget, man kan teste, og noget, der bare lyder godt i et slide deck.

En analytiker gennemgår 3D-ledbaner og en digital menneskemodel på en stor skærm

GitHub-beskrivelsen nævner sport, lægekonsultationer og udendørs 3D-animationsoptagelse som oplagte miljøer. Den bruger også formuleringen research-grade accuracy og production-grade robustness. Det er værd at notere, men det er stadig projektets egen beskrivelse. Ikke en uafhængig validering.

Sammenligningen med Sports2D

Hvis behovet er mere enkelt, henviser Pose2Sim-projektet selv til Sports2D. Det værktøj beregner automatisk 2D-ledpositioner samt led- og segmentvinkler fra video eller webcam. Begrænsningen er ret klar: resultaterne er kun acceptable, når bevægelsen foregår i et 2D-plan som sagittal- eller frontalplanet.

Det gør valget lettere. Sports2D passer til ét kamera og 2D-scenarier. Hvis målet er 3D markerless joint kinematics på et højere niveau, peger kilderne på flere kameraer og Pose2Sim.

Kilder

    Gør brugeroplevelsen bedre.
    Hvilket firma arbejder du for?