El propósito de esta investigación es desarrollar un modelo eficiente para la estimación de la pose humana (HPE). Las principales limitaciones del estudio incluyen el pequeño tamaño del conjunto de datos y las confusiones en la clasificación de ciertas poses, lo que sugiere la necesidad de más datos para mejorar la robustez del modelo en entornos no controlados. La metodología utilizada combina MediaPipe para la detección de puntos clave en imágenes con un modelo CNN1D que procesa secuencias de características preprocesadas. Se utilizó el conjunto de datos de Poses de Yoga para el entrenamiento y la validación del modelo, y se aplicaron técnicas de remuestreo, como el bootstrapping, para mejorar la precisión y evitar el sobreajuste en el entrenamiento. Los resultados muestran que el modelo propuesto alcanza un 96% de precisión general en la clasificación de cinco poses de yoga, con métricas de precisión superiores al 90% para todas las clases. La implementación del modelo CNN1D en lugar de arquitecturas tradicionales 2D o 3D logra el objetivo de mantener un bajo costo computacional y un preprocesamiento eficiente de las imágenes, permitiendo su uso en dispositivos móviles y entornos en tiempo real.