Estimation de pose avec Ultralytics YOLO#

L’estimation de pose est une tâche qui consiste à identifier l’emplacement de points spécifiques dans une image, généralement appelés points clés. Les points clés peuvent représenter différentes parties de l’objet, comme des articulations, des repères ou d’autres caractéristiques distinctives. Les emplacements des points clés sont généralement représentés par un ensemble de coordonnées 2D [x, y], éventuellement accompagné d’un indicateur de visibilité [x, y, visible].

La sortie d’un modèle d’estimation de pose est un ensemble de points représentant les points clés d’un objet dans l’image, généralement accompagné des scores de confiance de chaque point. L’estimation de pose est un bon choix lorsque tu dois identifier des parties spécifiques d’un objet dans une scène, ainsi que leur position les unes par rapport aux autres.

Modèles#

Les modèles de pose préentraînés Ultralytics YOLO26 sont présentés ici. Les modèles Detect, Segment et Pose sont préentraînés sur le jeu de données COCO, les modèles Semantic sont préentraînés sur Cityscapes, et les modèles Classify sont préentraînés sur le jeu de données ImageNet.

Les modèles sont automatiquement téléchargés depuis la dernière version d’Ultralytics lors de la première utilisation.

• Les valeurs mAP^val correspondent à un modèle unique et une seule échelle sur le jeu de données COCO Keypoints val2017.
  Reproduis-les avec yolo val pose data=coco-pose.yaml device=0 nms=False
• La vitesse est calculée comme la moyenne sur les images COCO val à l’aide d’une instance Amazon EC2 P4d.
  Reproduis-la avec yolo val pose data=coco-pose.yaml batch=1 device=0|cpu nms=False
• Params and FLOPs values are for fused models after Conv/BatchNorm folding and removal of the unused detection branch. Pretrained checkpoints retain the full training architecture and may show higher counts.

Consulte l'aperçu non publié de YOLO27 pour voir les résultats préliminaires des points clés sur COCO.

Entraîner#

Entraîne un modèle YOLO26-pose sur le jeu de données COCO8-pose. Le jeu de données COCO8-pose est un petit échantillon de données, idéal pour tester et déboguer tes modèles d’estimation de pose.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.yaml")  # build a new model from YAML
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Consulte les détails complets du mode train sur la page Train. Les modèles de pose peuvent également être entraînés avec l’entraînement cloud d’Ultralytics Platform.

Format du dataset#

Le format de jeu de données de pose YOLO peut être consulté en détail dans le Dataset Guide. Pour convertir un jeu de données JSON COCO keypoints existant au format YOLO, utilise la fonction intégrée convert_coco avec use_keypoints=True, comme décrit dans le COCO to YOLO guide. L'Ultralytics Platform annotation prend également en charge les étiquettes de pose avec des modèles de squelette intégrés pour les dispositions de personne, de main, de visage et de points clés personnalisés.

Pour les tâches d’estimation de pose personnalisées, tu peux également explorer des jeux de données spécialisés comme Tiger-Pose pour l’estimation de pose animale, Hand Keypoints pour le suivi des mains ou Dog-Pose pour l’analyse de la pose canine.

Validation#

Évalue l’exactitude d’un modèle YOLO26n-pose entraîné sur le jeu de données COCO8-pose. Aucun argument n’est nécessaire, car le model conserve ses data et ses arguments d’entraînement comme attributs du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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 containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary for box with precision, recall, F1, TP, FP, and FN
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # a list containing mAP50-95(P) for each category
metrics.pose.image_metrics  # per-image metrics dictionary for pose with precision, recall, F1, TP, FP, and FN

Prédiction#

Utilise un modèle YOLO26n-pose entraîné pour effectuer des prédictions sur des images. Le mode predict te permet d’effectuer des inférences sur des images, des vidéos ou des flux en temps réel.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

# Access the results
for result in results:
    xy = result.keypoints.xy  # x and y coordinates
    xyn = result.keypoints.xyn  # normalized
    kpts = result.keypoints.data  # x, y, visibility (if available)

Consulte les détails complets du mode predict dans la page Prédiction.

Sortie des résultats#

L’estimation de pose renvoie un objet Results par image. Les principaux champs de prédiction sont result.keypoints pour les coordonnées de pose et result.boxes pour les instances détectées auxquelles appartiennent ces points clés.

Pour connaître les champs Results spécifiques à chaque tâche, consulte la section Résultats des prédictions par tâche.

Exportation#

Exporte un modèle YOLO26n Pose vers un autre format, comme ONNX ou CoreML. Cela te permet de déployer ton modèle sur différentes plateformes et différents appareils pour l’inférence en temps réel.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

Les formats d’exportation disponibles pour YOLO26-pose sont présentés dans le tableau ci-dessous. Tu peux exporter vers n’importe quel format à l’aide de l’argument format, c’est-à-dire format='onnx' ou format='engine'. Tu peux effectuer directement des prédictions ou des validations sur les modèles exportés, par exemple avec yolo predict model=yolo26n-pose.onnx. Des exemples d’utilisation sont affichés pour ton modèle une fois l’exportation terminée.

nms=None utilise par défaut des sorties brutes pour NMS externe. Définis nms=False pour sélectionner une tête sans NMS disponible ; les formats non pris en charge reviennent à leur chemin de sortie natif. Les entrées nms ci-dessus identifient les formats capables d'intégrer NMS avec nms=True.

Consulte les détails complets du mode export dans la page Exportation.

FAQ#