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.
Pass auf: Pose Estimation with Ultralytics YOLO. |
Pass auf: Pose Estimation mit Ultralytics HUB. |
Tipp
YOLO11 Pose Modelle verwenden die -pose
Suffix, d.h.. yolo11n-pose.pt
. Diese Modelle werden anhand der COCO-Keypoints Datensatz und eignen sich für eine Vielzahl von Posenschätzungsaufgaben.
In the default YOLO11 pose model, there are 17 keypoints, each representing a different part of the human body. Here is the mapping of each index to its respective body joint:
0: Nase 1: Linkes Auge 2: Rechtes Auge 3: Linkes Ohr 4: Rechtes Ohr 5: Linke Schulter 6: Rechte Schulter 7: Linker Ellenbogen 8: Rechter Ellenbogen 9: Linkes Handgelenk 10: Rechtes Handgelenk 11: Linke Hüfte 12: Rechte Hüfte 13: Linkes Knie 14: Rechtes Knie 15: Linker Knöchel 16: Rechter Knöchel
Modelle
YOLO11 pretrained Pose models are shown here. Detect, Segment and Pose models are pretrained on the COCO dataset, while Classify models are pretrained on the ImageNet dataset.
Die Modelle werden bei der ersten Verwendung automatisch von der neuestenVersion von Ultralytics heruntergeladen.
Modell | Größe (Pixel) |
mAPpose 50-95 |
mAPpose 50 |
Geschwindigkeit CPU ONNX (ms) |
Speed T4 TensorRT10 (ms) |
params (M) |
FLOPs (B) |
---|---|---|---|---|---|---|---|
YOLO11n-pose | 640 | 50.0 | 81.0 | 52.4 ± 0.5 | 1.7 ± 0.0 | 2.9 | 7.6 |
YOLO11s-pose | 640 | 58.9 | 86.3 | 90.5 ± 0.6 | 2.6 ± 0.0 | 9.9 | 23.2 |
YOLO11m-pose | 640 | 64.9 | 89.4 | 187.3 ± 0.8 | 4.9 ± 0.1 | 20.9 | 71.7 |
YOLO11l-pose | 640 | 66.1 | 89.9 | 247.7 ± 1.1 | 6.4 ± 0.1 | 26.2 | 90.7 |
YOLO11x-pose | 640 | 69.5 | 91.1 | 488.0 ± 13.9 | 12.1 ± 0.2 | 58.8 | 203.3 |
- mAPval Werte sind fĂĽr ein Modell mit einer Skala auf COCO Keypoints val2017 Datensatz.
Reproduzieren durchyolo val pose data=coco-pose.yaml device=0
- Geschwindigkeit gemittelt ĂĽber die COCO val-Bilder unter Verwendung eines Amazon EC2 P4d Instanz.
Reproduzieren durchyolo val pose data=coco-pose.yaml batch=1 device=0|cpu
Zug
Train a YOLO11-pose model on the COCO8-pose dataset.
Beispiel
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.yaml") # build a new model from YAML
model = YOLO("yolo11n-pose.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo11n-pose.yaml").load("yolo11n-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=yolo11n-pose.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-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=yolo11n-pose.yaml pretrained=yolo11n-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
Validate trained YOLO11n-pose model accuracy on the COCO8-pose dataset. No arguments are needed as the model
seine Ausbildung beibehält data
und Argumente als Modellattribute.
Beispiel
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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
Vorhersage
Use a trained YOLO11n-pose model to run predictions on images.
Beispiel
Siehe voll predict
Modus Details in der Vorhersage Seite.
exportieren
Export a YOLO11n Pose model to a different format like ONNX, CoreML, etc.
Beispiel
Available YOLO11-pose export formats are in the table below. You can export to any format using the format
Argument, d.h. format='onnx'
oder format='engine'
. Du kannst exportierte Modelle direkt vorhersagen oder validieren, d.h. yolo predict model=yolo11n-pose.onnx
. Nach Abschluss des Exports werden Anwendungsbeispiele fĂĽr dein Modell angezeigt.
Format | format Argument |
Modell | Metadaten | Argumente |
---|---|---|---|---|
PyTorch | - | yolo11n-pose.pt |
âś… | - |
TorchScript | torchscript |
yolo11n-pose.torchscript |
âś… | imgsz , optimize , batch |
ONNX | onnx |
yolo11n-pose.onnx |
âś… | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolo11n-pose_openvino_model/ |
âś… | imgsz , half , int8 , batch |
TensorRT | engine |
yolo11n-pose.engine |
âś… | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolo11n-pose.mlpackage |
âś… | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolo11n-pose_saved_model/ |
âś… | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolo11n-pose.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolo11n-pose.tflite |
âś… | imgsz , half , int8 , batch |
TF Kante TPU | edgetpu |
yolo11n-pose_edgetpu.tflite |
âś… | imgsz |
TF.js | tfjs |
yolo11n-pose_web_model/ |
âś… | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolo11n-pose_paddle_model/ |
âś… | imgsz , batch |
NCNN | ncnn |
yolo11n-pose_ncnn_model/ |
âś… | imgsz , half , batch |
Siehe voll export
Details in der exportieren Seite.
FAQ
What is Pose Estimation with Ultralytics YOLO11 and how does it work?
Pose estimation with Ultralytics YOLO11 involves identifying specific points, known as keypoints, in an image. These keypoints typically represent joints or other important features of the object. The output includes the [x, y]
coordinates and confidence scores for each point. YOLO11-pose models are specifically designed for this task and use the -pose
Suffix, wie zum Beispiel yolo11n-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.
How can I train a YOLO11-pose model on a custom dataset?
Training a YOLO11-pose model on a custom dataset involves loading a model, either a new model defined by a YAML file or a pre-trained model. You can then start the training process using your specified dataset and parameters.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.yaml") # build a new model from YAML
model = YOLO("yolo11n-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.
How do I validate a trained YOLO11-pose model?
Validation of a YOLO11-pose model involves assessing its accuracy using the same dataset parameters retained during training. Here's an example:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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.
Can I export a YOLO11-pose model to other formats, and how?
Yes, you can export a YOLO11-pose model to various formats like ONNX, CoreML, TensorRT, and more. This can be done using either Python or the Command Line Interface (CLI).
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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".
What are the available Ultralytics YOLO11-pose models and their performance metrics?
Ultralytics YOLO11 offers various pretrained pose models such as YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, among others. These models differ in size, accuracy (mAP), and speed. For instance, the YOLO11n-pose model achieves a mAPpose50-95 of 50.4 and an mAPpose50 of 80.1. For a complete list and performance details, visit the Models Section.