Schätzung der Pose
Bei der Schätzung der Körperhaltung geht es darum, die Position bestimmter Punkte in einem Bild zu ermitteln, die gewöhnlich 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.
Die Ausgabe 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 Pose-Schätzung ist eine gute Wahl, wenn Sie bestimmte Teile eines Objekts in einer Szene und ihre Position in Bezug zueinander identifizieren müssen.
Beobachten: Ultralytics YOLO11 Pose Estimation Tutorial | Echtzeit-Objektverfolgung und Erkennung der menschlichen Pose
Tipp
YOLO11 Pose Modelle verwenden die -pose Suffix, d.h. yolo11n-pose.pt. Diese Modelle werden anhand der COCO-Schlüsselpunkte Datensatz und eignen sich für eine Vielzahl von Posenschätzungsaufgaben.
Im Standard-Positionsmodell YOLO11 gibt es 17 Keypoints, die jeweils einen anderen Teil des menschlichen Körpers darstellen. Hier ist die Zuordnung jedes Index zu seinem jeweiligen Körpergelenk:
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 Kniegelenk 15: Linkes Fußgelenk 16: Rechter Knöchel
Modelle
YOLO11 werden hier vortrainierte 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.
| Modell | Größe (Pixel) |
mAPpose 50-95 |
mAPpose 50 |
Geschwindigkeit CPU ONNX (ms) |
Geschwindigkeit T4TensorRT10 (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 Die Werte gelten für ein Modell mit einer Skala auf COCO Keypoints val2017 Datensatz.
Reproduzieren durchyolo val pose data=coco-pose.yaml device=0 - Geschwindigkeit gemittelt über COCO val-Bilder unter Verwendung eines Amazon EC2 P4d Instanz.
Reproduzieren durchyolo val pose data=coco-pose.yaml batch=1 device=0|cpu
Zug
Trainieren Sie ein YOLO11-pose-Modell auf dem COCO8-pose-Datensatz.
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 Das Format der Pose-Datensätze finden Sie im Detail im Dataset Guide. Um Ihren bestehenden Datensatz von anderen Formaten (wie COCO etc.) in das YOLO Format zu konvertieren, verwenden Sie bitte das JSON2YOLO Tool von Ultralytics.
Val
Validierung des trainierten YOLO11n-Positionsmodells Genauigkeit auf den COCO8-Pose-Datensatz. Es werden keine Argumente benötigt, da die 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
Verwenden Sie ein trainiertes YOLO11n-Positionsmodell, um Vorhersagen für Bilder zu treffen.
Beispiel
Vollständig sehen predict Modus Details im Vorhersage Seite.
Exportieren
Exportieren Sie ein YOLO11n Posenmodell in ein anderes Format wie ONNX, CoreML, etc.
Beispiel
Die verfügbaren YOLO11-pose Exportformate sind in der folgenden Tabelle aufgeführt. Sie können in jedes beliebige Format exportieren, indem Sie die format Argument, d.h. format='onnx' oder format='engine'. Sie können exportierte Modelle direkt vorhersagen oder validieren, d. h. yolo predict model=yolo11n-pose.onnx. Nach Abschluss des Exports werden Anwendungsbeispiele für Ihr Modell angezeigt.
| Format | format Argument |
Modell | Metadaten | Argumente |
|---|---|---|---|---|
| PyTorch | - | yolo11n-pose.pt |
✅ | - |
| TorchScript | torchscript |
yolo11n-pose.torchscript |
✅ | imgsz, optimize, batch |
| ONNX | onnx |
yolo11n-pose.onnx |
✅ | imgsz, half, dynamic, simplify, opset, batch |
| OpenVINO | openvino |
yolo11n-pose_openvino_model/ |
✅ | imgsz, half, int8, batch |
| TensorRT | engine |
yolo11n-pose.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, batch |
| CoreML | coreml |
yolo11n-pose.mlpackage |
✅ | imgsz, half, int8, nms, batch |
| TF SavedModel | saved_model |
yolo11n-pose_saved_model/ |
✅ | imgsz, keras, int8, batch |
| TF GraphDef | pb |
yolo11n-pose.pb |
❌ | imgsz, batch |
| TF Lite | tflite |
yolo11n-pose.tflite |
✅ | imgsz, half, int8, batch |
| TF Kante TPU | edgetpu |
yolo11n-pose_edgetpu.tflite |
✅ | imgsz |
| TF.js | tfjs |
yolo11n-pose_web_model/ |
✅ | imgsz, half, int8, batch |
| PaddlePaddle | paddle |
yolo11n-pose_paddle_model/ |
✅ | imgsz, batch |
| MNN | mnn |
yolo11n-pose.mnn |
✅ | imgsz, batch, int8, half |
| NCNN | ncnn |
yolo11n-pose_ncnn_model/ |
✅ | imgsz, half, batch |
| IMX500 | imx |
yolo11n-pose_imx_model/ |
✅ | imgsz, int8 |
Vollständig sehen export Details im Exportieren Seite.
FAQ
Was ist Pose Estimation mit Ultralytics YOLO11 und wie funktioniert es?
Bei der Schätzung der Körperhaltung mit Ultralytics YOLO11 werden bestimmte Punkte, die so genannten Keypoints, in einem Bild identifiziert. Diese Keypoints stellen in der Regel Gelenke oder andere wichtige Merkmale des Objekts dar. Die Ausgabe enthält die [x, y] Koordinaten und Vertrauenswerte für jeden Punkt. YOLO11-pose-Modelle sind speziell für diese Aufgabe konzipiert und verwenden die -pose Suffix, wie zum Beispiel yolo11n-pose.pt. Diese Modelle werden anhand von Datensätzen trainiert wie COCO-Schlüsselpunkte und kann für verschiedene Aufgaben im Bereich der Posenschätzung verwendet werden. Für weitere Informationen besuchen Sie die Pose Schätzung Seite.
Wie kann ich ein YOLO11-pose-Modell auf einem benutzerdefinierten Datensatz trainieren?
Das Training eines YOLO11-pose Modells auf einem benutzerdefinierten Datensatz beinhaltet das Laden eines Modells, entweder eines neuen Modells, das durch eine YAML-Datei definiert ist, oder eines bereits trainierten Modells. Sie können dann den Trainingsprozess mit dem von Ihnen angegebenen Datensatz und den Parametern starten.
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)
Ausführliche Informationen zur Ausbildung finden Sie im Abschnitt Ausbildung.
Wie kann ich ein trainiertes YOLO11-pose-Modell validieren?
Die Validierung eines YOLO11-pose-Modells beinhaltet die Bewertung seiner Genauigkeit unter Verwendung der gleichen Datensatzparameter, die beim Training beibehalten wurden. Hier ist ein 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
Weitere Informationen finden Sie in der Sektion Val.
Kann ich ein YOLO11-pose-Modell in andere Formate exportieren, und wie?
Ja, Sie können ein YOLO11-Positionsmodell in verschiedene Formate wie ONNX, CoreML, TensorRT und andere exportieren. Dies kann entweder über Python oder die Befehlszeilenschnittstelle (CLI) erfolgen.
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 Einzelheiten finden Sie im Abschnitt Export.
Welche Ultralytics YOLO11 -pose-Modelle und deren Leistungskennzahlen gibt es?
Ultralytics YOLO11 bietet verschiedene vortrainierte Posenmodelle wie YOLO11n-pose, YOLO11s-pose, YOLO11m-pose und andere. Diese Modelle unterscheiden sich in Größe, Genauigkeit (mAP) und Geschwindigkeit. Das Modell YOLO11n-pose erreicht beispielsweise einen mAPpose50-95von 50,4 und einen mAPpose50von 80,1. Eine vollständige Liste und Einzelheiten zur Leistung finden Sie im Abschnitt Modelle.
