Saltar al contenido

Estimaci贸n de la pose

Ejemplos de estimaci贸n de la pose

La estimaci贸n de la pose es una tarea que consiste en identificar la ubicaci贸n de puntos espec铆ficos en una imagen, normalmente denominados puntos clave. Los puntos clave pueden representar diversas partes del objeto, como articulaciones, puntos de referencia u otros rasgos distintivos. Las ubicaciones de los puntos clave suelen representarse como un conjunto de 2D [x, y] o 3D [x, y, visible] coordenadas.

La salida de un modelo de estimaci贸n de pose es un conjunto de puntos que representan los puntos clave de un objeto en la imagen, normalmente junto con las puntuaciones de confianza de cada punto. La estimaci贸n de la pose es una buena opci贸n cuando necesitas identificar partes concretas de un objeto en una escena, y su ubicaci贸n en relaci贸n con las dem谩s.


Observa: Estimaci贸n de la pose con Ultralytics YOLOv8 .

Observa: Estimaci贸n de la pose con Ultralytics HUB.

Consejo

YOLOv8 posa Los modelos utilizan la -pose sufijo, es decir yolov8n-pose.pt. Estos modelos se entrenan con la Puntos clave COCO y son adecuados para diversas tareas de estimaci贸n de la postura.

Modelos

YOLOv8 Aqu铆 se muestran los modelos Pose preentrenados. Los modelos Detectar, Segmentar y Pose est谩n preentrenados en el conjunto de datos COCO, mientras que los modelos Clasificar est谩n preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan autom谩ticamente de la 煤ltimaversi贸n de Ultralytics la primera vez que se utilizan.

Modelo tama帽o
(p铆xeles)
mAPpose
50-95
mAPpose
50
Velocidad
CPU ONNX
(ms)
Velocidad
A100 TensorRT
(ms)
par谩metros
(M)
FLOPs
(B)
YOLOv8n-pose 640 50.4 80.1 131.8 1.18 3.3 9.2
YOLOv8s-pose 640 60.0 86.2 233.2 1.42 11.6 30.2
YOLOv8m-pose 640 65.0 88.8 456.3 2.00 26.4 81.0
YOLOv8l-pose 640 67.6 90.0 784.5 2.59 44.4 168.6
YOLOv8x-pose 640 69.2 90.2 1607.1 3.73 69.4 263.2
YOLOv8x-pose-p6 1280 71.6 91.2 4088.7 10.04 99.1 1066.4
  • mAPval son para un modelo de escala 煤nica en COCO Puntos clave val2017 conjunto de datos.
    Reproducir por yolo val pose data=coco-pose.yaml device=0
  • Velocidad promediada sobre las im谩genes COCO val utilizando un Amazon EC2 P4d instancia.
    Reproducir por yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Tren

Entrena un modelo YOLOv8-pose en el conjunto de datos COCO128-pose.

Ejemplo

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

Formato del conjunto de datos

YOLO El formato de los conjuntos de datos se puede consultar en detalle en la Gu铆a de conjuntos de datos. Para convertir tu conjunto de datos existente de otros formatos (como COCO, etc.) al formato YOLO , utiliza la herramienta JSON2YOLO de Ultralytics.

Val

Valida la precisi贸n del modelo entrenado YOLOv8n-pose en el conjunto de datos COCO128-pose. No es necesario pasar ning煤n argumento como model conserva su formaci贸n data y argumentos como atributos del modelo.

Ejemplo

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

Predecir

Utiliza un modelo entrenado YOLOv8n-pose para realizar predicciones sobre las im谩genes.

Ejemplo

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

Ver todo predict detalles del modo en el Predecir p谩gina.

Exportar

Exporta un modelo YOLOv8n Pose a un formato diferente como ONNX, CoreML, etc.

Ejemplo

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

Los formatos de exportaci贸n disponibles de YOLOv8-pose est谩n en la tabla siguiente. Puedes exportar a cualquier formato utilizando el bot贸n format argumento, es decir format='onnx' o format='engine'. Puedes predecir o validar directamente los modelos exportados, es decir. yolo predict model=yolov8n-pose.onnx. Se muestran ejemplos de uso de tu modelo una vez finalizada la exportaci贸n.

Formato format Argumento Modelo Metadatos Argumentos
PyTorch - yolov8n-pose.pt -
TorchScript torchscript yolov8n-pose.torchscript imgsz, optimize, batch
ONNX onnx yolov8n-pose.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-pose_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolov8n-pose.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n-pose.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-pose_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolov8n-pose.pb imgsz, batch
TF Lite tflite yolov8n-pose.tflite imgsz, half, int8, batch
TF Arista TPU edgetpu yolov8n-pose_edgetpu.tflite imgsz
TF.js tfjs yolov8n-pose_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-pose_paddle_model/ imgsz, batch
NCNN ncnn yolov8n-pose_ncnn_model/ imgsz, half, batch

Ver todo export detalles en el Exportar p谩gina.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (18), Burhan-Q (4), RizwanMunawar (1), AyushExel (1), Laughing-q (1)

Comentarios