Estimation de la pose
L'estimation de la 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, telles que des articulations, des points de repère ou d'autres caractéristiques distinctives. Les emplacements des points clés sont généralement représentés sous la forme d'un ensemble d'images 2D [x, y] ou 3D [x, y, visible] coordonnées.
Le résultat d'un modèle d'estimation de la pose est un ensemble de points représentant les points clés d'un objet dans l'image, généralement accompagné des scores de confiance pour chaque point. L'estimation de la pose est un bon choix lorsque vous devez identifier des parties spécifiques d'un objet dans une scène et leur emplacement les unes par rapport aux autres.
Regarder : Ultralytics YOLO11 Tutoriel sur l'estimation de la pose - Suivi d'objets en temps réel et détection de la pose humaine
Conseil
YOLO11 poser utilisent le modèle -pose c'est-à -dire yolo11n-pose.pt. Ces modèles sont formés sur les Points clés COCO et conviennent à une variété de tâches d'estimation de la pose.
Dans le modèle de pose par défaut de YOLO11 , il y a 17 points clés, chacun représentant une partie différente du corps humain. Voici la correspondance entre chaque index et son articulation corporelle respective :
0 : Nez 1 : Oeil gauche 2 : Oeil droit 3 : Oreille gauche 4 : Oreille droite 5 : Epaule gauche 6 : Epaule droite 7 : Coude gauche 8 : Coude droit 9 : Poignet gauche 10 : Poignet droit 11 : Hanche gauche 12 : Hanche droite 13 : Genou gauche 14 : Genou droit 15 : Cheville gauche 16 : Cheville droite
Modèles
YOLO11 Les modèles de pose pré-entraînés sont présentés ici. Les modèles de détection, de segmentation et de pose sont entraînés sur l'ensemble de données COCO, tandis que les modèles de classification sont entraînés sur l'ensemble de données ImageNet.
Les modèles se téléchargent automatiquement à partir de la dernièreversion de Ultralytics lors de la première utilisation.
| Modèle | taille (pixels) |
mAPpose 50-95 |
mAPpose 50 |
Vitesse CPU ONNX (ms) |
Vitesse T4 TensorRT10 (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 Les valeurs sont celles d'un seul modèle à une seule échelle sur Points clés COCO val2017 données.
Reproduire paryolo val pose data=coco-pose.yaml device=0 - Vitesse La moyenne des images COCO val est calculée à l'aide d'un Amazon EC2 P4d instance.
Reproduire paryolo val pose data=coco-pose.yaml batch=1 device=0|cpu
Train
Entraînement d'un modèle YOLO11-pose sur l'ensemble de données COCO8-pose.
Exemple
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 données
YOLO Le format du jeu de données de pose peut être consulté en détail dans le guide des jeux de données. Pour convertir votre jeu de données existant dans d'autres formats (comme COCO, etc.) au format YOLO , veuillez utiliser l'outil JSON2YOLO à l'adresse Ultralytics.
Val
Valider le modèle YOLO11n-pose entraîné précision sur le jeu de données COCO8-pose. Aucun argument n'est nécessaire car la fonction model conserve sa formation data et les arguments en tant qu'attributs du modèle.
Exemple
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
Prévoir
Utilisez un modèle YOLO11n-pose entraîné pour effectuer des prédictions sur des images.
Exemple
Voir l'intégralité predict dans la section Prévoir page.
Exportation
Exporter un modèle YOLO11n Pose dans un format différent comme ONNX, CoreML, etc.
Exemple
Les formats d'exportation disponibles pour YOLO11-pose sont présentés dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format à l'aide de la fonction format l'argument, c'est-à -dire format='onnx' ou format='engine'. Vous pouvez prédire ou valider directement les modèles exportés, c'est-à -dire yolo predict model=yolo11n-pose.onnx. Des exemples d'utilisation sont présentés pour votre modèle une fois l'exportation terminée.
| Format | format Argument |
Modèle | Métadonnées | Arguments |
|---|---|---|---|---|
| PyTorch | - | yolo11n-pose.pt |
âś… | - |
| TorchScript | torchscript |
yolo11n-pose.torchscript |
âś… | imgsz, optimize, batch |
| ONNX | onnx |
yolo11n-pose.onnx |
âś… | imgsz, half, dynamic, simplify, opset, batch |
| OpenVINO | openvino |
yolo11n-pose_openvino_model/ |
âś… | imgsz, half, int8, batch |
| TensorRT | engine |
yolo11n-pose.engine |
âś… | imgsz, half, dynamic, simplify, workspace, int8, batch |
| CoreML | coreml |
yolo11n-pose.mlpackage |
âś… | imgsz, half, int8, nms, batch |
| TF SavedModel | saved_model |
yolo11n-pose_saved_model/ |
âś… | imgsz, keras, int8, batch |
| TF GraphDef | pb |
yolo11n-pose.pb |
❌ | imgsz, batch |
| TF Lite | tflite |
yolo11n-pose.tflite |
âś… | imgsz, half, int8, batch |
| TF Bord TPU | edgetpu |
yolo11n-pose_edgetpu.tflite |
âś… | imgsz |
| TF.js | tfjs |
yolo11n-pose_web_model/ |
âś… | imgsz, half, int8, batch |
| PaddlePaddle | paddle |
yolo11n-pose_paddle_model/ |
âś… | imgsz, batch |
| MNN | mnn |
yolo11n-pose.mnn |
âś… | imgsz, batch, int8, half |
| NCNN | ncnn |
yolo11n-pose_ncnn_model/ |
âś… | imgsz, half, batch |
| IMX500 | imx |
yolo11n-pose_imx_model/ |
âś… | imgsz, int8 |
Voir l'intégralité export détails dans le Exportation page.
FAQ
Qu'est-ce que l'estimation de la pose avec Ultralytics YOLO11 et comment fonctionne-t-elle ?
L'estimation de la pose à l'aide de Ultralytics YOLO11 implique l'identification de points spécifiques, appelés points clés, dans une image. Ces points clés représentent généralement des articulations ou d'autres caractéristiques importantes de l'objet. Le résultat comprend la [x, y] les coordonnées et les indices de confiance pour chaque point. YOLO11 Les modèles -pose sont spécifiquement conçus pour cette tâche et utilisent le modèle -pose suffixe, tel que yolo11n-pose.pt. Ces modèles sont pré-entraînés sur des ensembles de données tels que Points clés COCO et peut être utilisé pour diverses tâches d'estimation de la pose. Pour plus d'informations, visitez le site Page d'estimation de la pose.
Comment puis-je entraîner un modèle YOLO11-pose sur un ensemble de données personnalisé ?
L'entraînement d'un modèle YOLO11-pose sur un ensemble de données personnalisé implique le chargement d'un modèle, qu'il s'agisse d'un nouveau modèle défini par un fichier YAML ou d'un modèle pré-entraîné. Vous pouvez ensuite lancer le processus d'entraînement en utilisant l'ensemble de données et les paramètres que vous avez spécifiés.
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)
Pour plus de détails sur la formation, voir la section "Formation".
Comment valider un modèle entraîné YOLO11-pose ?
La validation d'un modèle YOLO11-pose consiste à évaluer sa précision en utilisant les mêmes paramètres de l'ensemble de données que ceux retenus lors de la formation. En voici un exemple :
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
Pour plus d'informations, consultez la section Val.
Puis-je exporter un modèle YOLO11-pose vers d'autres formats, et comment ?
Oui, vous pouvez exporter un modèle YOLO11-pose dans différents formats tels que ONNX, CoreML, TensorRT, et bien d'autres. Cette opération peut être effectuée à l'aide de Python ou de l'interface de ligne de commande (CLI).
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")
Pour plus de détails, reportez-vous à la section Exportation.
Quels sont les modèles disponibles Ultralytics YOLO11 -pose et leurs performances ?
Ultralytics YOLO11 propose différents modèles de pose pré-entraînés tels que YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, entre autres. Ces modèles diffèrent par leur taille, leur précision (mAP) et leur vitesse. Par exemple, le modèle YOLO11n-pose atteint une mAPpose50-95de 50,4 et une mAPpose50de 80,1. Pour obtenir une liste complète et des détails sur les performances, consultez la section Modèles.
