تقدير الوضعية باستخدام Ultralytics YOLO#

تقدير الوضعية هو مهمة تتضمن تحديد مواقع النقاط المحددة في الصورة، والتي يُشار إليها عادةً بالنقاط الرئيسية. يمكن أن تمثل النقاط الرئيسية أجزاء مختلفة من الكائن مثل المفاصل، أو المعالم، أو غيرها من الميزات المميزة. عادةً ما يتم تمثيل مواقع النقاط الرئيسية كمجموعة من إحداثيات [x, y] ثنائية الأبعاد، اختياريًا مع علامة رؤية [x, y, visible].

مخرجات نموذج تقدير الوضعية هي مجموعة من النقاط التي تمثل النقاط الرئيسية لكائن ما في الصورة، وعادة ما تكون مصحوبة بنقاط ثقة (confidence scores) لكل نقطة. يعد تقدير الوضعية خياراً جيداً عندما تحتاج إلى تحديد أجزاء معينة من كائن في مشهد ما، وموقعها بالنسبة لبعضها البعض.

النماذج#

يتم عرض نماذج الوضعيات المدربة مسبقًا من Ultralytics YOLO26 هنا. تم تدريب نماذج الاكتشاف، والتقسيم، والوضعيات مسبقًا على مجموعة بيانات COCO، بينما تم تدريب النماذج الدلالية مسبقًا على Cityscapes، وتم تدريب نماذج التصنيف مسبقًا على مجموعة بيانات ImageNet.

يتم تنزيل النماذج تلقائيًا من أحدث إصدار لـ Ultralytics عند الاستخدام الأول.

• قيم mAP^val مخصصة لنموذج واحد بمقياس واحد على مجموعة بيانات COCO Keypoints val2017.
  يمكن إعادة الإنتاج بواسطة yolo val pose data=coco-pose.yaml device=0
• تم حساب متوسط Speed عبر صور COCO val باستخدام مثيل Amazon EC2 P4d.
  يمكن إعادة الإنتاج بواسطة yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
• قيم Params و FLOPs هي للنموذج المدمج بعد model.fuse()، والذي يدمج طبقات Conv و BatchNorm، وبالنسبة للنماذج من طرف إلى طرف (end2end)، يزيل رأس الكشف الإضافي من واحد إلى متعدد. تحتفظ نقاط التحقق المدربة مسبقاً ببنية التدريب الكاملة وقد تُظهر أعداداً أعلى.

التدريب#

قم بتدريب نموذج YOLO26-pose على مجموعة بيانات COCO8-pose. تُعد مجموعة بيانات COCO8-pose مجموعة بيانات عينة صغيرة مثالية لاختبار وتصحيح أخطاء نماذج تقدير الوضعية الخاصة بك.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.yaml")  # build a new model from YAML
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

راجع تفاصيل وضع train الكاملة في صفحة التدريب. يمكن أيضًا تدريب نماذج الوضعيات باستخدام التدريب السحابي لنظام Ultralytics Platform.

تنسيق مجموعة البيانات#

يمكن العثور على تفاصيل تنسيق مجموعة بيانات وضعيات YOLO بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة البيانات الحالية الخاصة بك من تنسیقات أخرى (مثل COCO وما إلى ذلك) إلى تنسيق YOLO، يرجى استخدام أداة JSON2YOLO بواسطة Ultralytics. يدعم توثيق المنصة Ultralytics Platform annotation أيضًا تسميات الوضعيات مع قوالب الهيكل العظمي المدمجة للأشخاص، والأيدي، والوجوه، وتخطيطات النقاط الرئيسية المخصصة.

لمهام تقدير الوضعية المخصصة، يمكنك أيضًا استكشاف مجموعات بيانات متخصصة مثل Tiger-Pose لتقدير وضعية الحيوانات، أو Hand Keypoints لتتبع الأيدي، أو Dog-Pose لتحليل وضعية الكلاب.

التحقق#

تحقق من دقة نموذج YOLO26n-pose المُدرب على مجموعة بيانات COCO8-pose. لا توجد حاجة إلى وسائط حيث يحتفظ model بوسائط التدريب data والوسائط كخصائص للنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary for box with precision, recall, F1, TP, FP, and FN
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # a list containing mAP50-95(P) for each category
metrics.pose.image_metrics  # per-image metrics dictionary for pose with precision, recall, F1, TP, FP, and FN

التنبؤ#

استخدم نموذج YOLO26n-pose مُدربًا لتشغيل التنبؤات على الصور. تتيح لك وضع التنبؤ إجراء الاستدلال على الصور أو مقاطع الفيديو أو التدفقات في الوقت الفعلي.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xy = result.keypoints.xy  # x and y coordinates
    xyn = result.keypoints.xyn  # normalized
    kpts = result.keypoints.data  # x, y, visibility (if available)

راجع تفاصيل وضع predict الكاملة في صفحة التنبؤ (Predict).

مخرجات النتائج#

يُرجع تقدير الوضعية كائن Results واحدًا لكل صورة. حقول التنبؤ الرئيسية هي result.keypoints لإحداثيات الوضعية و result.boxes للحالات المُكتشفة التي تنتمي إليها تلك النقاط الرئيسية.

للحصول على حقول Results الخاصة بكل مهمة عبر كل مهمة، راجع قسم نتائج التنبؤ حسب المهمة (Predict Results by Task).

التصدير#

قم بتصدير نموذج YOLO26n Pose إلى تنسيق مختلف مثل ONNX أو CoreML وما إلى ذلك. يتيح لك ذلك نشر نموذجك على منصات وأجهزة مختلفة للاستدلال في الوقت الفعلي.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

تنسیقات تصدير YOLO26-pose المتاحة موجودة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام وسائط format، أي format='onnx' أو format='engine'. يمكنك التنبؤ أو التحقق مباشرة على النماذج المُصدّرة، أي yolo predict model=yolo26n-pose.onnx. تُعْرَض أمثلة الاستخدام لنموذجك بعد اكتمال التصدير.

راجع تفاصيل export الكاملة في صفحة التصدير (Export).

الأسئلة الشائعة#