姿态分类
关键技术：
- 姿态估计模型（PoseNet）：用于检测人体关键点。
- 机器学习分类器：用于根据关键点特征进行分类。
处理环节：
- 数据收集：通过摄像头捕捉人体姿态 （交互环节）
- 特征提取：姿态估计模型识别并提取人体关键点（内部环节）
- 模型训练：将关键点数据输入机器学习分类器，训练模型以识别不同姿态（内部环节）
- 姿态预测：模型根据关键点数据实时识别新姿态 （交互环节）
01 - 数据收集
接下来将尝试一个最简单的，只有2个分类（举手和不举手）的项目带同学们快速了解应用过程
- 首先理清我们需要制作的，是一个可以分辨人体姿态是否有举手的模型，1个分类叫做 “不举手”，另一个叫做 “举手”，接下来使用摄像头开始采集数据
- 采集分类“不举手”，尽量让素材图像的关键点数量统一，因为训练姿态模型时，关键点的坐标是重要因素。
所谓的关键点统一，大概理解为：
在摄像头里，人体的关节会被标注上一些点，就是用这些点的坐标关系去训练模型。如果同一个分类训练的点显示不全没关系，但不建议显示的点数量不一样（例如有的有手臂，有的没手臂）
- 采集分类“举手”，我会在同一个场景下，在画面中举手，尽量让我的手部关节能够出现，并且状态可以自由一些，没必要每一张都录得完全一样的僵硬。
- 为了确保我的素材比较优质，我会检查一遍素材，并手动删掉几个没有关键点的“劣质”素材。
- 这样我们就拥有了2个分类，且有足够的素材，可以开始训练了（素材数量建议每种分类10个以上）
- 随着素材的数量多少，训练可能会花费一些时间，完成训练后在右侧可以体验训练识别结果
- 从上面的识别结果看来，非常完美。只要识别可信度在80%以上都数据成功的模型，我们可以点击 使用模型 将模型导出成积木块回到编程界面使用
通常分类的数量越多，可信度的标准可以适当降低，通过观察大概在60%以上，即可认为效果不错。
备注
注意，在使用模型这一步，如果你的当前作品之前就有其他的模型，那么会提示你，选择确认就会覆盖掉旧的，如果没保存记得保存。
02 - 姿态预测
开始图像预测前，先来认识一下相关积木块的功能
