Une méthode légère basée sur YOLOv8n pour la détection des postures humaines anormales

Pourquoi il est important de repérer les positions corporelles inhabituelles

Les chutes, les douleurs thoraciques soudaines ou une personne qui s’effondre dans un couloir se déroulent souvent en quelques secondes, et s’il n’y a personne à proximité, l’aide peut arriver trop tard. Cet article présente un système d’intelligence artificielle compact capable d’analyser la vidéo ordinaire des caméras de sécurité ou des établissements de soins et de signaler automatiquement, en temps réel, les postures dangereuses et anormales. En rendant le logiciel à la fois précis et léger, les chercheurs visent à rendre la détection fiable des chutes et des événements de santé accessible sur des dispositifs du quotidien, des moniteurs d’hôpital aux caméras peu coûteuses dans les logements des personnes âgées.

Des caméras simples à une vigilance plus intelligente

Les systèmes de surveillance modernes utilisent déjà la vision par ordinateur pour détecter des personnes et suivre leurs mouvements, mais les postures inhabituelles sont particulièrement difficiles à repérer. Une personne peut apparaître très différente en position debout, en se tenant la poitrine, en vomissant ou allongée au sol ; ces événements sont brefs, variés et souvent partiellement masqués par des meubles ou un éclairage médiocre. Les algorithmes existants peuvent être assez précis, mais ils sont souvent lourds et lents, exigeant du matériel puissant et un réglage poussé. Les auteurs se concentrent sur la rapidité et l’économie de ressources informatiques afin que la détection puisse fonctionner sur des cartes graphiques courantes ou même des dispositifs embarqués sans sacrifier la fiabilité.

Un cerveau plus léger pour reconnaître les postures à risque

Le cœur du travail est une version améliorée d’un modèle de détection d’objets populaire, appelé YOLOv8n. Les chercheurs développent une variante plus légère et plus ciblée qu’ils nomment PSD‑YOLOv8n. D’abord, ils ajoutent un nouveau module d’attention, PoseMSA, qui aide le réseau à se concentrer sur les parties du corps les plus informatives tout en ignorant les arrière‑plans encombrés. Il le fait via des opérations simplifiées qui imitent à la fois la vision transversale de l’image et l’exploration entre différentes couches de caractéristiques, renforçant les signaux pertinents pour la posture tout en limitant le nombre de calculs. Ensuite, ils repensent la manière dont le modèle « rezoome » sur les détails en utilisant un bloc d’upsampling KA‑Sample, qui apprend à affiner les zones autour des points clés du corps — comme la tête, le torse et les membres — pour que les postures tordues ou effondrées ressortent plus clairement.

Des boîtes plus précises et des décisions plus nettes

Conscients que les postures anormales se confondent souvent avec leur environnement — pensez à une personne étalée partiellement sous une table — les auteurs reviennent aussi sur l’étape finale de décision, appelée la tête de détection. Leur module Detect‑PSA fusionne les informations à plusieurs échelles et applique une méthode probabiliste pour tracer les boîtes englobantes. Plutôt que de deviner un unique bord net pour le début et la fin d’une personne, le système représente chaque côté de la boîte comme une petite distribution de positions probables puis les moyenne. Cette approche rend les contours plus stables lorsque les membres sont raccourcis par la perspective, occlus ou étirés le long du sol, conduisant à des boîtes qui correspondent davantage aux annotations humaines dans des scènes difficiles.

Mise à l’épreuve du système

Pour évaluer l’efficacité de leur conception en pratique, l’équipe a constitué une collection d’images dédiée, le SSHDataset, construite à partir de vidéos d’intérieur multi‑angles montrant des personnes dans quatre états : normal, douleur thoracique, vomissement et chute. Après un étiquetage manuel soigné et une augmentation des données, ils ont entraîné PSD‑YOLOv8n et plusieurs modèles concurrents dans des conditions identiques. Sur les mesures d’exactitude standard, leur méthode a atteint un score de détection de 97,8 % à un seuil d’emboîtement courant et a maintenu de bonnes performances même sous des critères plus stricts. Parallèlement, elle n’utilisait qu’environ deux millions de paramètres et un fichier de poids de 4,5 mégaoctets — soit environ un tiers de paramètres en moins et plus d’un tiers de calcul en moins que le YOLOv8n d’origine — tout en tournant à plus de 80 images par seconde. Des tests sur un jeu de données public indépendant de détection de chutes ont montré que ces gains se transféraient à de nouvelles données, avec des améliorations particulièrement marquées pour la détection effective des chutes.

Ce que cela signifie pour la sécurité quotidienne

En termes simples, l’étude livre un « sauveteur » numérique compact capable d’examiner la vidéo en direct et de repérer de manière fiable lorsque la position du corps d’une personne signale un danger. En repensant avec soin la façon dont le modèle se focalise sur les régions du corps, reconstruit les détails fins et trace les boîtes autour des personnes, les auteurs obtiennent une combinaison rare de haute précision, de rapidité et de faible taille. Un tel système pourrait être intégré aux moniteurs d’hôpital, aux hubs domotiques ou aux caméras d’espace public pour déclencher des alertes rapides en cas de chute ou de détresse soudaine, même dans des pièces encombrées et avec des éclairages variés. À mesure que l’approche sera affinée et étendue à des séquences vidéo plus longues et à de nouveaux environnements, elle pourrait soutenir une nouvelle génération de gardiens discrets et toujours actifs, contribuant à protéger les personnes vulnérables sans exiger une surveillance humaine constante.

Citation: Li, G., Zhang, J., Ji, Q. et al. A lightweight YOLOv8n-based method for human abnormal posture detection. Sci Rep 16, 7222 (2026). https://doi.org/10.1038/s41598-026-37903-2

Mots-clés: détection de chute, posture humaine, vision par ordinateur, IA légère, soins aux personnes âgées