Zum Inhalt springen

Posen-Schätzung

Beispiele für Posenschätzungen

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 durch yolo val pose data=coco-pose.yaml device=0
  • Geschwindigkeit gemittelt ĂĽber die COCO val-Bilder unter Verwendung eines Amazon EC2 P4d Instanz.
    Reproduzieren durch yolo 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
yolo pose val model=yolo11n-pose.pt  # val official model
yolo pose val model=path/to/best.pt  # val custom model

Vorhersage

Use a trained YOLO11n-pose model to run predictions on images.

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

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
yolo pose predict model=yolo11n-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

Export a YOLO11n Pose model to a different format like ONNX, CoreML, etc.

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 trained model

# Export the model
model.export(format="onnx")
yolo export model=yolo11n-pose.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

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.


📅 Created 11 months ago ✏️ Updated 2 days ago

Kommentare