تقدير الوضع

تقدير الوضع هو مهمة تتضمن تحديد موقع نقاط معينة في الصورة ، وعادة ما يشار إليها باسم النقاط الرئيسية. يمكن أن تمثل النقاط الرئيسية أجزاء مختلفة من الكائن مثل المفاصل أو المعالم أو الميزات المميزة الأخرى. عادة ما يتم تمثيل مواقع النقاط الرئيسية كمجموعة من 2D [x, y] أو 3D [x, y, visible] احداثيات.

ناتج نموذج تقدير الوضع هو مجموعة من النقاط التي تمثل النقاط الرئيسية على كائن في الصورة ، عادة جنبا إلى جنب مع درجات الثقة لكل نقطة. يعد تقدير الوضع اختيارا جيدا عندما تحتاج إلى تحديد أجزاء معينة من كائن ما في مشهد ما ، وموقعها بالنسبة لبعضها البعض.

نماذج

YOLOv8 يتم عرض نماذج Pose المدربة مسبقا هنا. يتم تدريب نماذج الكشف والمقطع والوضع مسبقا على مجموعة بيانات COCO ، بينما يتم تدريب نماذج التصنيف مسبقا على مجموعة بيانات ImageNet .

يتم تنزيل الموديلات تلقائيا من الأحدث Ultralytics حرر عند الاستخدام الأول.

• mAP^val القيم هي لمقياس أحادي الطراز على نقاط كوكو الرئيسية val2017 مجموعة البيانات.
  إعادة إنتاج بواسطة yolo val pose data=coco-pose.yaml device=0
• سرعة تم حساب المتوسط على صور COCO val باستخدام أمازون EC2 P4d مثيل.
  إعادة إنتاج بواسطة yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

قطار

تدريب أ YOLOv8-pose model على مجموعة بيانات COCO128-pos.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.yaml")  # build a new model from YAML
model = YOLO("yolov8n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-pose.yaml").load("yolov8n-pose.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640

تنسيق مجموعة البيانات

YOLO يمكن العثور على تنسيق مجموعة بيانات التشكيل بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة البيانات الحالية من تنسيقات أخرى (مثل COCO وغيرها) إلى YOLO ، يرجى استخدام JSON2YOLO الأداة بواسطة Ultralytics.

فال

التحقق من صحة المدربين YOLOv8n-تشكل دقة النموذج على مجموعة بيانات COCO128-pos. لا حاجة لتمرير أي حجة على أنها model تحتفظ بتدريبها data والحجج كسمات نموذجية.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 contains map50-95 of each category

yolo pose val model=yolov8n-pose.pt  # val official model
yolo pose val model=path/to/best.pt  # val custom model

تنبأ

استخدم مدربا YOLOv8n-تشكل نموذجا لتشغيل التنبؤات على الصور.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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

yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

شاهد التفاصيل predict تفاصيل الوضع في تنبأ صفحة.

تصدير

تصدير أ YOLOv8n طرح نموذج بتنسيق مختلف مثل ONNX, CoreMLالخ.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

yolo export model=yolov8n-pose.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

ترد تنسيقات التصدير المتاحة YOLOv8-pose في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format الحجة ، أي format='onnx' أو format='engine'. يمكنك التنبؤ أو التحقق من صحة النماذج المصدرة مباشرة، أي yolo predict model=yolov8n-pose.onnx. يتم عرض أمثلة الاستخدام للطراز الخاص بك بعد اكتمال التصدير.

شاهد التفاصيل export التفاصيل في تصدير صفحة.

الأسئلة المتداولة

ما هو تقدير الوضعية باستخدام Ultralytics YOLOv8 وكيف يعمل؟

يتضمن تقدير الوضعية باستخدام Ultralytics YOLOv8 تحديد نقاط معينة، تُعرف باسم النقاط الرئيسية، في الصورة. تمثل نقاط المفاتيح هذه عادةً المفاصل أو غيرها من السمات المهمة للجسم. تتضمن المخرجات [x, y] الإحداثيات ودرجات الثقة لكل نقطة. YOLOv8-صُممت نماذج الأغراض خصيصًا لهذه المهمة وتستخدم -pose اللاحقة، مثل yolov8n-pose.pt. يتم تدريب هذه النماذج مسبقًا على مجموعات بيانات مثل النقاط الرئيسية ل COCO ويمكن استخدامها في مهام تقدير الوضعيات المختلفة. لمزيد من المعلومات، يرجى زيارة صفحة تقدير الوضعية.

كيف يمكنني تدريب نموذج YOLOv8-pose على مجموعة بيانات مخصصة؟

يتضمّن تدريب نموذج YOLOv8-pose على مجموعة بيانات مخصصة تحميل نموذج، إما نموذج جديد مُعرّف بواسطة ملف YAML أو نموذج مُدرّب مسبقًا. يمكنك بعد ذلك بدء عملية التدريب باستخدام مجموعة البيانات والمعلمات المحددة.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.yaml")  # build a new model from YAML
model = YOLO("yolov8n-pose.pt")  # load a pretrained model (recommended for training)

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

للحصول على تفاصيل شاملة عن التدريب، راجع قسم التدريب.

كيف يمكنني التحقق من صحة نموذج YOLOv8-pose المدرّب؟

تتضمن عملية التحقق من صحة نموذج YOLOv8-الغرض تقييم دقته باستخدام نفس معلمات مجموعة البيانات التي تم الاحتفاظ بها أثناء التدريب. إليك مثالاً على ذلك:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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

لمزيد من المعلومات، يرجى زيارة قسم فال.

هل يمكنني تصدير نموذج YOLOv8-pose إلى تنسيقات أخرى، وكيف؟

نعم، يمكنك تصدير نموذج YOLOv8-pose إلى صيغ مختلفة مثل ONNX و CoreML و TensorRT وغيرها. يمكن القيام بذلك إما باستخدام Python أو واجهة سطر الأوامر (CLI).

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

راجع قسم التصدير لمزيد من التفاصيل.

ما هي النماذج المتوفرة Ultralytics YOLOv8 -الغرض ومقاييس أدائها؟

Ultralytics YOLOv8 تقدم نماذج وضعيات مختلفة مُدرّبة مسبقًا مثل YOLOv8n-pose، YOLOv8s-pose، YOLOv8m-pose، وغيرها. تختلف هذه النماذج في الحجم والدقة (mAP) والسرعة. على سبيل المثال، يحقق النموذج YOLOv8n-pose دقة (^mAPpose50-95) تبلغ 50.4 ودقة (^mAPpose50) تبلغ 80.1. للاطلاع على قائمة كاملة وتفاصيل الأداء، يرجى زيارة قسم النماذج.

التعليقات