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.
شاهد: تشكل تقدير مع Ultralytics YOLOv8. |
شاهد: تشكل تقدير مع Ultralytics محور. |
بقشيش
YOLOv8 تشكل تستخدم النماذج -pose
لاحقة ، أي yolov8n-pose.pt
. يتم تدريب هذه النماذج على النقاط الرئيسية ل COCO مجموعة بيانات ومناسبة لمجموعة متنوعة من مهام تقدير الوضع.
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.
نموذج | حجم (بكسل) |
خريطةتشكل 50-95 |
خريطةتشكل 50 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|---|
YOLOv8n-تشكل | 640 | 50.4 | 80.1 | 131.8 | 1.18 | 3.3 | 9.2 |
YOLOv8s-تشكل | 640 | 60.0 | 86.2 | 233.2 | 1.42 | 11.6 | 30.2 |
YOLOv8m-تشكل | 640 | 65.0 | 88.8 | 456.3 | 2.00 | 26.4 | 81.0 |
YOLOv8l-تشكل | 640 | 67.6 | 90.0 | 784.5 | 2.59 | 44.4 | 168.6 |
YOLOv8x-تشكل | 640 | 69.2 | 90.2 | 1607.1 | 3.73 | 69.4 | 263.2 |
YOLOv8x-بوز-ص6 | 1280 | 71.6 | 91.2 | 4088.7 | 10.04 | 99.1 | 1066.4 |
- mAPval القيم هي لمقياس أحادي الطراز على نقاط كوكو الرئيسية val2017 مجموعة البيانات.
إعادة إنتاج بواسطةyolo val pose data=coco-pose.yaml device=0
- سرعة تم حساب المتوسط على صور COCO val باستخدام أمازون EC2 P4d مثيل.
إعادة إنتاج بواسطةyolo val pose data=coco8-pose.yaml batch=1 device=0|cpu
قطار
تدريب أ YOLOv8-pose model على مجموعة بيانات COCO128-pos.
مثل
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.
مثل
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
تنبأ
استخدم مدربا YOLOv8n-تشكل نموذجا لتشغيل التنبؤات على الصور.
مثل
شاهد التفاصيل predict
تفاصيل الوضع في تنبأ صفحة.
تصدير
تصدير أ YOLOv8n طرح نموذج بتنسيق مختلف مثل ONNX, CoreMLالخ.
مثل
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.
تنسيق | format جدال |
نموذج | البيانات الوصفية | الحجج |
---|---|---|---|---|
PyTorch | - | yolov8n-pose.pt |
✅ | - |
TorchScript | torchscript |
yolov8n-pose.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n-pose.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n-pose_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n-pose.engine |
✅ | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n-pose.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n-pose_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n-pose.pb |
❌ | imgsz , batch |
TF لايت | tflite |
yolov8n-pose.tflite |
✅ | imgsz , half , int8 , batch |
TF حافة TPU | edgetpu |
yolov8n-pose_edgetpu.tflite |
✅ | imgsz , batch |
TF.شبيبه | tfjs |
yolov8n-pose_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n-pose_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n-pose_ncnn_model/ |
✅ | imgsz , half , batch |
شاهد التفاصيل export
التفاصيل في تصدير صفحة.
تم الإنشاء 2023-11-12-2023، تم التحديث 2024-04-27
المؤلفون: جلين-جوتشر (14)، برهان-ق (1)، رضوان منور (1)، أيوش إكسل (1)، الضاحك-ق (1)