सामग्री पर जाएं

पोज़ अनुमान

अनुमान के उदाहरण प्रस्तुत करें

पोज़ अनुमान एक ऐसा कार्य है जिसमें एक छवि में विशिष्ट बिंदुओं के स्थान की पहचान करना शामिल है, जिसे आमतौर पर कीपॉइंट कहा जाता है। मुख्य बिंदु वस्तु के विभिन्न भागों जैसे जोड़ों, स्थलों या अन्य विशिष्ट विशेषताओं का प्रतिनिधित्व कर सकते हैं। मुख्य बिंदुओं के स्थानों को आमतौर पर 2D के सेट के रूप में दर्शाया जाता है [x, y] या 3 डी [x, y, visible] निर्देशांक।

मुद्रा अनुमान मॉडल का आउटपुट बिंदुओं का एक सेट है जो छवि में किसी वस्तु पर कीपॉइंट का प्रतिनिधित्व करता है, आमतौर पर प्रत्येक बिंदु के लिए आत्मविश्वास स्कोर के साथ। पोज़ अनुमान एक अच्छा विकल्प है जब आपको किसी दृश्य में किसी वस्तु के विशिष्ट भागों और एक दूसरे के संबंध में उनके स्थान की पहचान करने की आवश्यकता होती है।



सतर्कता: के साथ अनुमान लगाएं Ultralytics YOLOv8.

नोक

YOLOv8 भंगिमा मॉडल का उपयोग करें -pose प्रत्यय, अर्थात। yolov8n-pose.pt. इन मॉडलों को प्रशिक्षित किया जाता है COCO कीपॉइंट्स डेटासेट और विभिन्न प्रकार के पोज़ अनुमान कार्यों के लिए उपयुक्त हैं।

मॉडल

YOLOv8 पूर्व-प्रशिक्षित पोज़ मॉडल यहां दिखाए गए हैं। डिटेक्ट, सेगमेंट और पोज़ मॉडल COCO डेटासेट पर पूर्व-प्रशिक्षित हैं, जबकि वर्गीकृत मॉडल इमेजनेट डेटासेट पर पूर्व-प्रशिक्षित हैं।

मॉडल नवीनतम से स्वचालित रूप से डाउनलोड करते हैं Ultralytics पहले उपयोग पर रिलीज करें।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रभंगिमा
50-95
मानचित्रभंगिमा
50
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
YOLOv8n-भंगिमा 640 50.4 80.1 131.8 1.18 3.3 9.2
YOLOv8s-भंगिमा 640 60.0 86.2 233.2 1.42 11.6 30.2
YOLOv8m-भंगिमा 640 65.0 88.8 456.3 2.00 26.4 81.0
YOLOv8l-भंगिमा 640 67.6 90.0 784.5 2.59 44.4 168.6
YOLOv8x-भंगिमा 640 69.2 90.2 1607.1 3.73 69.4 263.2
YOLOv8x-पोज़-p6 1280 71.6 91.2 4088.7 10.04 99.1 1066.4
  • mAPval मान एकल-मॉडल एकल-पैमाने पर हैं COCO कीपॉइंट्स val2017 डेटासेट।
    द्वारा प्रजनन करना yolo val pose data=coco-pose.yaml device=0
  • गति एक का उपयोग कर COCO val छवियों पर औसत अमेज़न EC2 P4d उदाहरण।
    द्वारा प्रजनन करना yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

रेलगाड़ी

ट्रेन ए YOLOv8-pose मॉडल COCO128-pose डेटासेट पर।

उदाहरण

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

डेटासेट प्रारूप

YOLO डेटासेट प्रारूप डेटासेट गाइड में विस्तार से पाया जा सकता है। अपने मौजूदा डेटासेट को अन्य प्रारूपों (जैसे COCO आदि) से बदलने के लिए YOLO प्रारूप, कृपया JSON2YOLO टूल का उपयोग करें Ultralytics.

वैल

प्रशिक्षित मान्य करें YOLOv8n-pose मॉडल सटीकता COCO128-मुद्रा डेटासेट पर। किसी तर्क को पारित करने की आवश्यकता नहीं है model यह प्रशिक्षण बरकरार रखता है data और मॉडल विशेषताओं के रूप में तर्क।

उदाहरण

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

भविष्‍यवाणी करना

एक प्रशिक्षित का प्रयोग करें YOLOv8nछवियों पर भविष्यवाणियों को चलाने के लिए मॉडल बनाएं।

उदाहरण

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

पूरा देखें predict मोड विवरण में भविष्‍यवाणी करना पृष्ठ।

निर्यातित माल

निर्यात a YOLOv8n मॉडल को एक अलग प्रारूप में पोज दें जैसे ONNX, CoreMLआदि।

उदाहरण

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

सुलभ YOLOv8-मुद्रा निर्यात प्रारूप नीचे दी गई तालिका में हैं। आप निर्यात किए गए मॉडल पर सीधे भविष्यवाणी या मान्य कर सकते हैं, अर्थात। yolo predict model=yolov8n-pose.onnx. निर्यात पूर्ण होने के बाद आपके मॉडल के लिए उपयोग के उदाहरण दिखाए जाते हैं.

प्रारूप format युक्ति को गढ़ना मेटाडेटा तर्क
PyTorch - yolov8n-pose.pt -
TorchScript torchscript yolov8n-pose.torchscript imgsz, optimize
ONNX onnx yolov8n-pose.onnx imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-pose_openvino_model/ imgsz, half, int8
TensorRT engine yolov8n-pose.engine imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-pose.mlpackage imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-pose_saved_model/ imgsz, keras
TF GraphDef pb yolov8n-pose.pb imgsz
TF लाइट tflite yolov8n-pose.tflite imgsz, half, int8
TF किनारा TPU edgetpu yolov8n-pose_edgetpu.tflite imgsz
TF।जे एस tfjs yolov8n-pose_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n-pose_paddle_model/ imgsz
ncnn ncnn yolov8n-pose_ncnn_model/ imgsz, half

पूरा देखें export में विवरण निर्यातित माल पृष्ठ।



2023-11-12 बनाया गया, अपडेट किया गया 2024-02-03
लेखक: ग्लेन-जोचर (10), आयुषएक्सेल (1), लाफिंग-क्यू (1)

टिप्पणियाँ