Posen-Schätzung

Bei der Schätzung der Körperhaltung geht es darum, die Position bestimmter Punkte in einem Bild zu bestimmen, die normalerweise als Keypoints bezeichnet werden. Die Keypoints können verschiedene Teile des Objekts darstellen, z. B. Gelenke, Orientierungspunkte oder andere charakteristische Merkmale. Die Positionen der Keypoints werden in der Regel als eine Reihe von 2D [x, y] oder 3D [x, y, visible] Koordinaten.

Das Ergebnis eines Modells zur Posenschätzung ist eine Reihe von Punkten, die die Schlüsselpunkte eines Objekts im Bild darstellen, normalerweise zusammen mit den Vertrauenswerten für jeden Punkt. Die Posenschätzung ist eine gute Wahl, wenn du bestimmte Teile eines Objekts in einer Szene und ihre Lage zueinander identifizieren musst.

Modelle

YOLOv8 werden hier die vortrainierten Pose-Modelle gezeigt. Die Modelle "Detect", "Segment" und "Pose" wurden mit dem COCO-Datensatz trainiert, während die Modelle "Classify" mit dem ImageNet-Datensatz trainiert wurden.

Die Modelle werden bei der ersten Verwendung automatisch von der neuestenVersion von Ultralytics heruntergeladen.

• ^mAPval Werte sind für ein Modell mit einer Skala auf COCO Keypoints val2017 Datensatz.
  Reproduzieren durch yolo val pose data=coco-pose.yaml device=0
• Geschwindigkeit gemittelt über die COCO val-Bilder unter Verwendung eines Amazon EC2 P4d Instanz.
  Reproduzieren durch yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Zug

Trainiere ein YOLOv8-pose-Modell mit dem COCO128-pose-Datensatz.

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

Format des Datensatzes

YOLO pose-Datensatzformat findest du im Detail im Dataset Guide. Um deinen bestehenden Datensatz aus anderen Formaten (wie COCO etc.) in das YOLO Format zu konvertieren, verwende bitte das JSON2YOLO Tool von Ultralytics.

Val

Validiere die Genauigkeit des trainierten YOLOv8n-pose-Modells auf dem COCO128-pose-Datensatz. Es muss kein Argument übergeben werden, da die model seine Ausbildung beibehält data und Argumente als Modellattribute.

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

Vorhersage

Verwende ein trainiertes YOLOv8n-pose Modell, um Vorhersagen für Bilder zu treffen.

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

Siehe voll predict Modus Details in der Vorhersage Seite.

exportieren

Exportiere ein YOLOv8n Posenmodell in ein anderes Format wie ONNX, CoreML, etc.

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

Die verfügbaren YOLOv8-pose Exportformate findest du in der Tabelle unten. Du kannst in jedes beliebige Format exportieren, indem du die format Argument, d.h. format='onnx' oder format='engine'. Du kannst exportierte Modelle direkt vorhersagen oder validieren, d.h. yolo predict model=yolov8n-pose.onnx. Nach Abschluss des Exports werden Anwendungsbeispiele für dein Modell angezeigt.

Siehe voll export Details in der exportieren Seite.

FAQ

Was ist Pose Estimation mit Ultralytics YOLOv8 und wie funktioniert sie?

Bei der Posenschätzung mit Ultralytics YOLOv8 werden bestimmte Punkte, sogenannte Keypoints, in einem Bild identifiziert. Diese Keypoints stellen normalerweise Gelenke oder andere wichtige Merkmale des Objekts dar. Die Ausgabe enthält die [x, y] Koordinaten und Vertrauenswerte für jeden Punkt. YOLOv8-pose-Modelle sind speziell für diese Aufgabe konzipiert und verwenden die -pose Suffix, wie zum Beispiel yolov8n-pose.pt. Diese Modelle werden mit Datensätzen trainiert wie COCO-Keypoints und kann für verschiedene Posenschätzungsaufgaben verwendet werden. Für weitere Informationen besuche die Pose Schätzung Seite.

Wie kann ich ein YOLOv8-pose-Modell auf einem benutzerdefinierten Datensatz trainieren?

Um ein YOLOv8-pose-Modell auf einem benutzerdefinierten Datensatz zu trainieren, musst du ein Modell laden, entweder ein neues Modell, das in einer YAML-Datei definiert ist, oder ein bereits trainiertes Modell. Dann kannst du den Trainingsprozess mit dem von dir angegebenen Datensatz und den Parametern starten.

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)

Umfassende Informationen zur Ausbildung findest du im Abschnitt Ausbildung.

Wie kann ich ein trainiertes YOLOv8-pose Modell validieren?

Bei der Validierung eines YOLOv8-pose-Modells wird die Genauigkeit des Modells mit denselben Parametern des Datensatzes wie beim Training überprüft. Hier ist ein Beispiel:

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

Weitere Informationen findest du in der Sektion Val.

Kann ich ein YOLOv8-pose Modell in andere Formate exportieren und wie?

Ja, du kannst ein YOLOv8-Positionsmodell in verschiedene Formate wie ONNX, CoreML, TensorRT und andere exportieren. Dazu kannst du entweder Python oder das Command Line Interface (CLI) verwenden.

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")

Weitere Informationen findest du im Abschnitt "Export".

Was sind die verfügbaren Ultralytics YOLOv8 -pose Modelle und ihre Leistungskennzahlen?

Ultralytics YOLOv8 bietet verschiedene vortrainierte Posenmodelle wie YOLOv8n-pose, YOLOv8s-pose, YOLOv8m-pose und andere. Diese Modelle unterscheiden sich in Größe, Genauigkeit (mAP) und Geschwindigkeit. Das Modell YOLOv8n-pose erreicht zum Beispiel einen ^mAPpose50-95von 50,4 und einen ^mAPpose50von 80,1. Eine vollständige Liste und Details zur Leistung findest du im Abschnitt Modelle.

Kommentare