Estimateur de Poses AI

À Propos de l'Estimateur de Poses AI

L'Estimateur de Poses AI exécute MoveNet (Lightning et Thunder) de TensorFlow.js entièrement dans votre navigateur sur le backend WebGL. Il détecte une seule personne et renvoie 17 points clés 2D au format COCO — nez, yeux, oreilles, épaules, coudes, poignets, hanches, genoux et chevilles — chacun avec un score de confiance. Le modèle (~5 Mo pour Lightning, ~12 Mo pour Thunder) se télécharge une fois et reste en cache. En plus des points clés, l'outil calcule les angles de flexion des principales articulations (coude, épaule, hanche, genou) et permet de tout exporter en JSON ou CSV, avec les coordonnées à la fois du canevas réduit et de la résolution d'origine. Tout le traitement se fait localement - aucune image, vidéo ou donnée de pose n'est jamais envoyée à un serveur.

Cet estimateur de pose envoie-t-il ma webcam ou ma photo à un serveur ?

Non. L'Estimateur de Poses AI exécute tout le pipeline de détection de pose dans votre navigateur via MoveNet avec TensorFlow.js. Votre flux webcam ou photo téléversée est décodé dans un canevas en mémoire, le détecteur de keypoints MoveNet tourne sur votre propre GPU (backend WebGL) ou CPU, et les 17 keypoints résultants sont redessinés sur le canevas — sans qu'un seul octet ne quitte l'appareil. Aucun upload, aucune télémétrie, aucune inférence cloud. C'est essentiel pour les applis de fitness qui ne doivent pas diffuser vos vidéos d'entraînement à un tiers, pour le dépistage postural où la vie privée compte et pour des superpositions live à faible latence.

Quels sont les 17 keypoints détectés par MoveNet ?

MoveNet renvoie les 17 keypoints au format COCO : nez, œil gauche/droit, oreille gauche/droite, épaule gauche/droite, coude gauche/droit, poignet gauche/droit, hanche gauche/droite, genou gauche/droit et cheville gauche/droite. Chaque keypoint porte une coordonnée x/y en pixels et un score de confiance de 0 à 1. Il n'y a pas de points de main, de pied ni de maillage facial, ni de valeur z/profondeur — la sortie est mono-personne et uniquement 2D. Le curseur de confiance permet de masquer les articulations peu fiables du squelette et du calcul des angles.

Lightning vs Thunder — quelle différence ?

Les deux sont des détecteurs MoveNet mono-personne qui renvoient les mêmes 17 keypoints. Lightning (~5 Mo) est optimisé pour la vitesse et constitue le défaut — idéal pour le suivi webcam en temps réel et les mobiles, souvent 30-60 fps sur un GPU de portable récent. Thunder (~12 Mo) est un modèle plus grand et plus précis, meilleur pour analyser des images fixes où la précision compte, au prix de la vitesse. Vous pouvez basculer entre eux dans les Paramètres de Détection ; le détecteur se recharge à la prochaine détection.

Quelle est la précision de MoveNet et quelles sont les réserves ?

MoveNet est précis et fiable pour des prises nettes, bien éclairées et majoritairement de face d'une seule personne, d'où sa popularité pour compter les répétitions, vérifier la forme et le travail de posture. Les réserves comptent pour un usage professionnel : il est MONO-PERSONNE — il localise un corps par image et ne renvoie pas plusieurs personnes ; il est uniquement 2D — pas de vraie profondeur 3D, donc l'axe z ne peut être mesuré ; et la précision se dégrade avec l'occlusion (membres cachés derrière le tronc), le flou de mouvement, les angles de caméra extrêmes, les vêtements amples et un mauvais éclairage. Les vues latérales sont plus difficiles que les vues frontales car hanche et épaule se chevauchent en 2D. Vérifiez toujours les articulations peu fiables.

Comment fonctionne l'analyse des angles articulaires ?

Après détection, l'outil calcule les angles de flexion des principales articulations entièrement sur l'appareil à partir des keypoints MoveNet via un calcul vectoriel à 3 points (atan2) : coude gauche/droit (épaule–coude–poignet), épaule (coude–épaule–hanche), hanche (épaule–hanche–genou) et genou (hanche–genou–cheville). Un angle n'est reporté que lorsque ses trois keypoints dépassent le seuil de confiance, si bien que les articulations peu fiables sont ignorées plutôt que devinées. Comme les angles sont mesurés dans l'espace image, gardez la caméra à peu près perpendiculaire au plan du mouvement pour des chiffres les plus pertinents — idéal pour suivre la profondeur de squat, l'extension du coude ou la flexion du genou dans le temps.

Puis-je exporter les keypoints et angles articulaires en JSON ou CSV ?

Oui. Une fois la pose détectée, vous pouvez télécharger l'image annotée en PNG, copier les données structurées dans le presse-papiers ou télécharger un fichier JSON ou CSV. Chaque export contient les 17 keypoints avec leurs scores de confiance, les angles articulaires calculés en degrés, le modèle utilisé et le seuil de confiance. Surtout, les coordonnées sont fournies À LA FOIS dans l'espace du canevas réduit et dans la résolution d'origine (l'outil enregistre le facteur d'échelle appliqué lors du redimensionnement des grandes images), si bien que les flux professionnels de mouvement ou de biomécanique peuvent remapper les résultats directement sur l'image source.

Fonctionne-t-il sur mobile et quelle est la taille du téléchargement du modèle ?

Oui — il fonctionne sur tout navigateur mobile moderne prenant en charge WebGL. Le modèle MoveNet se télécharge une fois (environ 5 Mo pour Lightning ou 12 Mo pour Thunder) puis reste en cache du navigateur, de sorte que les détections répétées sont instantanées et continuent de fonctionner hors ligne. Sur mobile, Lightning est recommandé pour la cadence d'images la plus fluide en webcam. Si WebGL est indisponible, l'outil bascule sur le backend CPU plus lent et affiche une erreur claire si le modèle ne peut pas charger.