Posenschätzung mit Ultralytics YOLO#

Die Posenschätzung ist eine Aufgabe, bei der die Position bestimmter Punkte in einem Bild ermittelt wird, die üblicherweise als Keypoints bezeichnet werden. Die Keypoints können verschiedene Teile des Objekts darstellen, z. B. Gelenke, Orientierungspunkte oder andere markante Merkmale. Die Positionen der Keypoints werden üblicherweise als eine Menge von 2D-[x, y]-Koordinaten dargestellt, optional mit einem Sichtbarkeits-Flag [x, y, visible].

Die Ausgabe eines Posenschätzungsmodells ist eine Menge von Punkten, die die Keypoints eines Objekts im Bild darstellen, üblicherweise zusammen mit den Konfidenzwerten für jeden Punkt. Die Posenschätzung ist eine gute Wahl, wenn du bestimmte Teile eines Objekts in einer Szene sowie deren Position zueinander ermitteln musst.

Modelle#

Hier werden vortrainierte Ultralytics-YOLO26-Posemodelle gezeigt. Detect-, Segment- und Posemodelle werden mit dem Datensatz COCO vortrainiert, Semantic-Modelle mit Cityscapes und Classify-Modelle mit dem Datensatz ImageNet.

Modelle werden bei der ersten Verwendung automatisch aus dem neuesten Ultralytics-Release heruntergeladen.

• Die Werte mAP^val gelten für ein einzelnes Modell mit einer einzelnen Skalierung auf dem Datensatz COCO Keypoints val2017.
  Reproduzieren mit yolo val pose data=coco-pose.yaml device=0 nms=False
• Geschwindigkeit, gemittelt über COCO-val-Bilder unter Verwendung einer Amazon-EC2-P4d-Instanz.
  Reproduziere sie mit yolo val pose data=coco-pose.yaml batch=1 device=0|cpu nms=False
• Params- und FLOPs-Werte beziehen sich auf fusionierte Modelle nach der Conv/BatchNorm-Faltung und dem Entfernen des nicht verwendeten Erkennungszweigs. Vortrainierte Checkpoints behalten die vollständige Trainingsarchitektur bei und können höhere Anzahlen aufweisen.

Sieh dir die unreleased YOLO27 preview für vorläufige COCO-Keypoint-Ergebnisse an.

Trainieren#

Trainiere ein YOLO26-Posemodell mit dem Datensatz COCO8-pose. Der Datensatz COCO8-pose ist ein kleiner Beispieldatensatz, der sich ideal zum Testen und Debuggen deiner Posenschätzungsmodelle eignet.

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)

Ausführliche Details zum Modus train findest du auf der Seite Train. Posemodelle können auch mit dem Cloud-Training der Ultralytics Platform trainiert werden.

Datensatzformat#

Das YOLO-Pose-Datensatzformat findest du im Detail im Dataset Guide. Um einen bestehenden COCO keypoints-JSON-Datensatz in das YOLO-Format zu konvertieren, nutze die integrierte convert_coco-Funktion mit use_keypoints=True, wie im COCO to YOLO guide beschrieben. Die Ultralytics Platform annotation unterstützt außerdem Pose-Label mit integrierten Skelettvorlagen für Personen, Hände, Gesichter und benutzerdefinierte Keypoint-Layouts.

Für benutzerdefinierte Posenschätzungsaufgaben kannst du auch spezielle Datensätze wie Tiger-Pose für die Posenschätzung bei Tieren, Hand Keypoints für die Handverfolgung oder Dog-Pose für die Posenanalyse von Hunden ausprobieren.

Validierung#

Überprüfe die Genauigkeit eines trainierten YOLO26n-Posemodells mit dem Datensatz COCO8-pose. Es sind keine Argumente erforderlich, da model seine Trainings-data und Argumente als Modelattribute beibehält.

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

Vorhersage#

Verwende ein trainiertes YOLO26n-Posemodell, um Vorhersagen für Bilder auszuführen. Mit dem Predict-Modus kannst du Inferenz auf Bildern, Videos oder Echtzeitstreams durchführen.

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)

Ausführliche Informationen zum Modus predict findest du auf der Seite Predict.

Ausgabe der Ergebnisse#

Die Posenschätzung gibt für jedes Bild ein Results-Objekt zurück. Die wichtigsten Vorhersagefelder sind result.keypoints für Pose koordinaten und result.boxes für die erkannten Instanzen, zu denen diese Keypoints gehören.

Task-spezifische Felder Results für alle Tasks findest du im Abschnitt Vorhersageergebnisse nach Task.

Export#

Exportiere ein YOLO26n-Posemodell in ein anderes Format wie ONNX, CoreML usw. Dadurch kannst du dein Modell für Echtzeitinferenz auf verschiedenen Plattformen und Geräten bereitstellen.

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")

Die verfügbaren Exportformate für YOLO26-pose findest du in der folgenden Tabelle. Du kannst mit dem Argument format in jedes Format exportieren, also mit format='onnx' oder format='engine'. Auf exportierten Modellen kannst du direkt Vorhersagen ausführen oder sie validieren, also mit yolo predict model=yolo26n-pose.onnx. Nach Abschluss des Exports werden für dein Modell Beispiele zur Verwendung angezeigt.

nms=None verwendet standardmäßig Rohausgaben für externes NMS. Setze nms=False, um einen verfügbaren NMS-freien Kopf auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die Einträge nms oben identifizieren Formate, die NMS mit nms=True einbetten können.

Ausführliche Informationen zu export findest du auf der Seite Export.

FAQ#