Skip to content

Estimation de la pose

Exemples d'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 diverses 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 qui représentent les points clés d'un objet dans l'image, généralement avec les scores de confiance pour chaque point. L'estimation de la pose est un bon choix lorsque tu dois identifier des parties spécifiques d'un objet dans une scène, et leur emplacement les unes par rapport aux autres.


Regarde : Estimation de la pose avec Ultralytics YOLOv8 .

Regarde : Estimation de la pose avec Ultralytics HUB.

Astuce

YOLOv8 pose Les modèles utilisent le -pose suffixe, c'est-à-dire yolov8n-pose.pt. Ces modèles sont formés sur les Points clés COCO et conviennent à une variété de tâches d'estimation de la pose.

Modèles

YOLOv8 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
A100 TensorRT
(ms
)
params
(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 Les valeurs sont pour un modèle unique Ă  l'Ă©chelle unique sur Points clĂ©s COCO val2017 ensemble de donnĂ©es.
    Reproduire par yolo val pose data=coco-pose.yaml device=0
  • La vitesse moyenne des images COCO val Ă  l'aide d'un Amazon EC2 P4d instance.
    Reproduire par yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Train

Entraîne un modèle YOLOv8-pose sur l'ensemble de données COCO128-pose.

Exemple

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

Format des données

YOLO Le format des jeux de données de pose est détaillé dans le Guide des jeux de données. Pour convertir tes données existantes dans d'autres formats (comme COCO, etc.) au format YOLO , utilise l'outil JSON2YOLO à l'adresse Ultralytics.

Val

Valide la précision du modèle YOLOv8n-pose entraîné sur le jeu de données COCO128-pose. Aucun argument n'a besoin d'être passé en tant que model conserve sa formation data et les arguments en tant qu'attributs du modèle.

Exemple

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

Prévoir

Utilise un modèle YOLOv8n-pose formé pour faire des prédictions sur les images.

Exemple

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

Voir l'intégralité predict détails du mode dans la rubrique Prévoir page.

Exporter

Exporte un modèle de pose YOLOv8n vers un format différent comme ONNX, CoreML, etc.

Exemple

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

Les formats d'exportation disponibles pour YOLOv8-pose sont présentés dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de la fonction format argument, 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=yolov8n-pose.onnx. Des exemples d'utilisation sont montrés pour ton modèle une fois l'exportation terminée.

Format format Argument Modèle Métadonnées Arguments
PyTorch - yolov8n-pose.pt âś… -
TorchScript torchscript yolov8n-pose.torchscript âś… imgsz, optimize, batch
ONNX onnx yolov8n-pose.onnx âś… imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-pose_openvino_model/ âś… imgsz, half, int8, batch
TensorRT engine yolov8n-pose.engine âś… imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n-pose.mlpackage âś… imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-pose_saved_model/ âś… imgsz, keras, int8, batch
TF GraphDef pb yolov8n-pose.pb ❌ imgsz, batch
TF Lite tflite yolov8n-pose.tflite âś… imgsz, half, int8, batch
TF Bord TPU edgetpu yolov8n-pose_edgetpu.tflite âś… imgsz, batch
TF.js tfjs yolov8n-pose_web_model/ âś… imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-pose_paddle_model/ âś… imgsz, batch
NCNN ncnn yolov8n-pose_ncnn_model/ âś… imgsz, half, batch

Voir l'intégralité export détails dans le Exporter page.



Créé le 2023-11-12, Mis à jour le 2024-05-18
Auteurs : glenn-jocher (16), Burhan-Q (3), RizwanMunawar (1), AyushExel (1), Laughing-q (1)

Commentaires