Estimación de Pose

La estimación de pose es una tarea que implica identificar la ubicación de puntos específicos en una imagen, comúnmente referidos como puntos clave. Estos puntos clave pueden representar varias partes del objeto, como articulaciones, puntos de referencia u otras características distintivas. La ubicación de los puntos clave generalmente se representa como un conjunto de coordenadas 2D [x, y] o 3D [x, y, visible].

La salida de un modelo de estimación de pose es un conjunto de puntos que representan los puntos clave en un objeto de la imagen, generalmente junto con las puntuaciones de confianza para cada punto. La estimación de pose es una buena opción cuando se necesita identificar partes específicas de un objeto en una escena y su ubicación relativa entre ellas.

Ver: Estimación de Pose con Ultralytics YOLOv8.

Modelos

Aquí se muestran los modelos preentrenados de YOLOv8 Pose. Los modelos Detect, Segment y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos Classify están preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan automáticamente desde el último lanzamiento de Ultralytics release en el primer uso.

• Los valores de mAP^val son para un solo modelo a una sola escala en el conjunto de datos COCO Keypoints val2017.
  Reproducir con yolo val pose data=coco-pose.yaml device=0
• Velocidad promediada sobre imágenes COCO val usando una instancia Amazon EC2 P4d.
  Reproducir con yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Entrenar

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

from ultralytics import YOLO

# Cargar un modelo
model = YOLO('yolov8n-pose.yaml')  # construir un nuevo modelo desde YAML
model = YOLO('yolov8n-pose.pt')  # cargar un modelo preentrenado (recomendado para entrenar)
model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # construir desde YAML y transferir los pesos

# Entrenar el modelo
results = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)

# Construir un nuevo modelo desde YAML y comenzar entrenamiento desde cero
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

# Empezar entrenamiento desde un modelo *.pt preentrenado
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

# Construir un nuevo modelo desde YAML, transferir pesos preentrenados y comenzar entrenamiento
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640

Formato del conjunto de datos

El formato del conjunto de datos de pose de YOLO se puede encontrar en detalle en la Guía de Conjuntos de Datos. Para convertir tu conjunto de datos existente de otros formatos (como COCO, etc.) al formato de YOLO, usa la herramienta JSON2YOLO de Ultralytics.

Validar

Valida la precisión del modelo YOLOv8n-pose entrenado en el conjunto de datos COCO128-pose. No es necesario pasar ningún argumento ya que el modelo mantiene sus datos de entrenamiento y argumentos como atributos del modelo.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO('yolov8n-pose.pt')  # cargar un modelo oficial
model = YOLO('path/to/best.pt')  # cargar un modelo personalizado

# Validar el modelo
metrics = model.val()  # no se necesitan argumentos, el conjunto de datos y configuraciones se recuerdan
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # una lista contiene map50-95 de cada categoría

yolo pose val model=yolov8n-pose.pt  # modelo oficial de val
yolo pose val model=path/to/best.pt  # modelo personalizado de val

Predecir

Usa un modelo YOLOv8n-pose entrenado para realizar predicciones en imágenes.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO('yolov8n-pose.pt')  # cargar un modelo oficial
model = YOLO('path/to/best.pt')  # cargar un modelo personalizado

# Predecir con el modelo
results = model('https://ultralytics.com/images/bus.jpg')  # predecir en una imagen

yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo oficial
yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo personalizado

Consulta los detalles completos del modo predict en la página de Predicción.

Exportar

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

from ultralytics import YOLO

# Cargar un modelo
model = YOLO('yolov8n-pose.pt')  # cargar un modelo oficial
model = YOLO('path/to/best.pt')  # cargar un modelo entrenado personalizado

# Exportar el modelo
model.export(format='onnx')

yolo export model=yolov8n-pose.pt format=onnx  # exportar modelo oficial
yolo export model=path/to/best.pt format=onnx  # exportar modelo entrenado personalizado

Los formatos de exportación de YOLOv8-pose disponibles se muestran en la tabla a continuación. Puedes predecir o validar directamente en modelos exportados, por ejemplo, yolo predict model=yolov8n-pose.onnx. Los ejemplos de uso se muestran para tu modelo después de que la exportación se completa.

Consulta los detalles completos del modo export en la página de Exportación.

Comentarios