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 diverses parties de l'objet telles que des articulations, des repères ou d'autres caractéristiques distinctives. Les emplacements des points clés sont généralement représentés sous la forme d'un ensemble de coordonnées 2D [x, y], éventuellement avec un indicateur de visibilité [x, y, visible].

Le résultat d'un modèle d'estimation de pose est un ensemble de points représentant les points clés d'un objet dans l'image, généralement accompagnés des scores de confiance pour chaque point. L'estimation de pose est un excellent choix lorsque tu as besoin d'identifier des parties spécifiques d'un objet dans une scène, ainsi que leur emplacement les unes par rapport aux autres.

Modèles#

Les modèles Pose pré-entraînés d'Ultralytics YOLO26 sont présentés ici. Les modèles de détection, de segmentation et de pose sont pré-entraînés sur le jeu de données COCO, les modèles Semantic sont pré-entraînés sur Cityscapes, et les modèles de classification sont pré-entraînés sur le jeu de données ImageNet.

Les modèles se téléchargent automatiquement à partir de la dernière version d'Ultralytics lors de la première utilisation.

• Les valeurs mAP^val correspondent à un modèle unique sur une échelle unique avec le jeu de données COCO Keypoints val2017.
  Reproduis avec yolo val pose data=coco-pose.yaml device=0
• Vitesse moyennée sur les images de validation COCO en utilisant une instance Amazon EC2 P4d.
  Reproduire avec yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
• Les valeurs de Params et FLOPs concernent le modèle fusionné après model.fuse(), qui fusionne les couches Conv et BatchNorm et, pour les modèles end2end, supprime la tête de détection auxiliaire one-to-many. Les points de contrôle pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Entraîner (Train)#

Entraîne un modèle YOLO26-pose sur le jeu de données COCO8-pose. Le jeu de données COCO8-pose est un petit jeu de données d'échantillonnage 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 Ultralytics Platform cloud training.

Format de jeu de données#

Le format de jeu de données de pose YOLO est décrit en détail dans le Dataset Guide. Pour convertir ton jeu de données existant d'autres formats (comme COCO, etc.) vers le format YOLO, utilise l'outil JSON2YOLO d'Ultralytics. Ultralytics Platform annotation prend également en charge les étiquettes de pose avec des modèles de squelette intégrés pour les personnes, les mains, les visages et des dispositions de points clés personnalisées.

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

Valider (Val)#

Valide la précision du modèle YOLO26n-pose entraîné sur le jeu de données COCO8-pose. Aucun argument n'est nécessaire car le model conserve ses data et arguments d'entraînement en tant d'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

Prédire (Predict)#

Utilise un modèle YOLO26n-pose entraîné pour lancer des prédictions sur des images. Le predict mode 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 tous les détails du mode predict dans la page Prédire.

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 les champs Results spécifiques à chaque tâche, consulte la section Résultats de prédiction par tâche.

Exporter (Export)#

Exporte un modèle YOLO26n Pose vers un format différent tel que ONNX, CoreML, etc. Cela te permet de déployer ton modèle sur différentes plateformes et 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 YOLO26-pose disponibles se trouvent dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, c'est-à-dire format='onnx' ou format='engine'. Tu peux prédire ou valider directement sur les modèles exportés, c'est-à-dire yolo predict model=yolo26n-pose.onnx. Des exemples d'utilisation s'affichent pour ton modèle une fois l'exportation terminée.

Consulte tous les détails de export dans la page Exporter.

FAQ#