انتقل إلى المحتوى

تقدير الوضعية

تقدير الوضعية هو مهمة تنطوي على تحديد موقع نقاط محددة في الصورة ، وعادةً ما يشار إليها بنقاط الوضوح. يمكن أن تمثل نقاط الوضوح أجزاءً مختلفةً من الكائن مثل المفاصل أو العلامات المميزة أو الميزات البارزة الأخرى. عادةً ما يتم تمثيل مواقع نقاط الوضوح كمجموعة من الإحداثيات 2D [x ، y] أو 3D [x ، y ، visible].

يكون ناتج نموذج تقدير الوضعية مجموعة من النقاط التي تمثل نقاط الوضوح على كائن في الصورة ، عادةً مع نقاط الثقة لكل نقطة. تقدير الوضعية هو خيار جيد عندما تحتاج إلى تحديد أجزاء محددة من كائن في مشهد، وموقعها بالنسبة لبعضها البعض.



شاهد: تقدير الوضعية مع Ultralytics YOLOv8.

نصيحة

النماذج التي تحتوي على البادئة "-pose" تستخدم لنماذج YOLOv8 pose ، على سبيل المثال yolov8n-pose.pt. هذه النماذج مدربة على مجموعة بيانات نقاط الوضوح COCO وهي مناسبة لمجموعة متنوعة من مهام تقدير الوضعية.

النماذج

تعرض نماذج مدرّبة مسبقًا لـ YOLOv8 التي تستخدم لتقدير الوضعية هنا. النماذج للكشف والشريحة والوضعية يتم تدريبها على مجموعة بيانات COCO، بينما تتم تدريب نماذج التصنيف على مجموعة بيانات ImageNet.

يتم تنزيل النماذج من آخر إصدار Ultralytics تلقائيًا عند استخدامها لأول مرة.

النموذج الحجم (بالبكسل) mAPالوضعية 50-95 mAPالوضعية 50 سرعةالوحدة المركزية ONNX(ms) سرعةA100 TensorRT(ms) المعلمات (مليون) FLOPs (بالمليار)
YOLOv8n-pose 640 50.4 80.1 131.8 1.18 3.3 9.2
YOLOv8s-pose 640 60.0 86.2 233.2 1.42 11.6 30.2
YOLOv8m-pose 640 65.0 88.8 456.3 2.00 26.4 81.0
YOLOv8l-pose 640 67.6 90.0 784.5 2.59 44.4 168.6
YOLOv8x-pose 640 69.2 90.2 1607.1 3.73 69.4 263.2
YOLOv8x-pose-p6 1280 71.6 91.2 4088.7 10.04 99.1 1066.4
  • تعتبر القيم mAPval لنموذج واحد ومقياس واحد فقط على COCO Keypoints val2017 مجموعة البيانات.
    يمكن إعادة إنتاجه بواسطة يولو val pose data=coco-pose.yaml device=0
  • يتم حساب السرعة من خلال متوسط صور COCO val باستخدام المروحة الحرارية Amazon EC2 P4d مثيل.
    يمكن إعادة إنتاجه بواسطة يولو val pose data=coco8-pose.yaml batch=1 device=0|cpu

التدريب

يتم تدريب نموذج YOLOv8-pose على مجموعة بيانات COCO128-pose.

مثال

from ultralytics import YOLO

# تحميل النموذج
model = YOLO('yolov8n-pose.yaml')  # بناء نموذج جديد من ملف YAML
model = YOLO('yolov8n-pose.pt')  # تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)
model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # بناء نموذج من YAML ونقل الوزن

# تدريب النموذج
results = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)

# بناء نموذج جديد من YAML وبدء التدريب من البداية.
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

# البدء في التدريب من نموذج مدرب مسبقًا *.pt
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

# بناء نموذج جديد من YAML ، ونقل الأوزان المدرّبة مسبقًا إليه ، والبدء في التدريب.
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640

تنسيق مجموعة البيانات

يمكن العثور على تنسيق مجموعات بيانات نقاط الوضوح YOLO في دليل المجموعة البيانات. لتحويل مجموعة البيانات الحالية التي لديك من تنسيقات أخرى (مثل COCO إلخ) إلى تنسيق YOLO ، يرجى استخدام أداة JSON2YOLO من Ultralytics.

التحقق من الصحة

تحقق من دقة نموذج YOLOv8n-pose المدرّب على مجموعة بيانات COCO128-pose. لا يلزم تمرير سبب ما كوسيط إلى model عند استدعاء.

مثال

from ultralytics import YOLO

# تحميل النموذج
model = YOLO('yolov8n-pose.pt')  # تحميل نموذج رسمي
model = YOLO('path/to/best.pt')  # تحميل نموذج مخصص

# التحقق من النموذج
metrics = model.val()  # لا يوجد حاجة لأي سبب، يتذكر النموذج البيانات والوسائط كمجالات للنموذج
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # قائمة تحتوي على map50-95 لكل فئة

yolo pose val model=yolov8n-pose.pt  # التحقق من النموذج الرسمي
yolo pose val model=path/to/best.pt  # التحقق من النموذج المخصص

التنبؤ

استخدم نموذج YOLOv8n-pose المدرّب لتشغيل توقعات على الصور.

مثال

from ultralytics import YOLO

# تحميل النموذج
model = YOLO('yolov8n-pose.pt')  # تحميل نموذج رسمي
model = YOLO('path/to/best.pt')  # تحميل نموذج مخصص

# التنبؤ باستخدام النموذج
results = model('https://ultralytics.com/images/bus.jpg')  # التنبؤ بصورة

yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # التنبؤ باستخدام النموذج الرسمي
yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # التنبؤ باستخدام النموذج المخصص

انظر تفاصيل predict كاملة في صفحة التنبؤ.

التصدير

قم بتصدير نموذج YOLOv8n-pose إلى تنسيق مختلف مثل ONNX، CoreML، الخ.

مثال

from ultralytics import YOLO

# تحميل النموذج
model = YOLO('yolov8n-pose.pt')  # تحميل نموذج رسمي
model = YOLO('path/to/best.pt')  # تحميل نموذج مدرب مخصص

# تصدير النموذج
model.export(format='onnx')

yolo export model=yolov8n-pose.pt format=onnx  # تصدير نموذج رسمي
yolo export model=path/to/best.pt format=onnx  # تصدير نموذج مخصص

تتوفر تنسيقات تصدير YOLOv8-pose في الجدول أدناه. يمكنك التنبؤ أو التحقق مباشرةً على النماذج المصدرة ، على سبيل المثال yolo predict model=yolov8n-pose.onnx. توجد أمثلة استخدام متاحة لنموذجك بعد اكتمال عملية التصدير.

تنسيق إجراء format النموذج البيانات الوصفية الوسائط
PyTorch - yolov8n-pose.pt ✅ -
TorchScript torchscript yolov8n-pose.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n-pose.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-pose_openvino_model/ ✅ imgsz, half
TensorRT engine yolov8n-pose.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-pose.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-pose_saved_model/ ✅ imgsz, keras
TF GraphDef pb yolov8n-pose.pb ❌ imgsz
TF Lite tflite yolov8n-pose.tflite ✅ imgsz, half, int8
TF Edge TPU edgetpu yolov8n-pose_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n-pose_web_model/ ✅ imgsz
PaddlePaddle paddle yolov8n-pose_paddle_model/ ✅ imgsz
ncnn ncnn yolov8n-pose_ncnn_model/ ✅ imgsz, half

انظر تفاصيل export كاملة في صفحة التصدير.


Created 2023-11-18, Updated 2023-11-19
Authors: glenn-jocher (2)

التعليقات