Stima della posa con Ultralytics YOLO#

La stima della posa è un'attività che consiste nell'individuare la posizione di punti specifici in un'immagine, generalmente chiamati keypoint. I keypoint possono rappresentare varie parti dell'oggetto, come articolazioni, punti di riferimento o altre caratteristiche distintive. Le posizioni dei keypoint sono generalmente rappresentate come un insieme di coordinate 2D [x, y], eventualmente accompagnate da un indicatore di visibilità [x, y, visible].

L'output di un modello di stima della posa è un insieme di punti che rappresentano i keypoint di un oggetto nell'immagine, solitamente accompagnati dai punteggi di confidenza di ciascun punto. La stima della posa è una buona scelta quando devi individuare parti specifiche di un oggetto in una scena e la loro posizione reciproca.

Modelli#

Di seguito sono mostrati i modelli YOLO26 Pose pretrained sul dataset dei keypoint COCO.

I modelli vengono scaricati automaticamente dalla più recente release di Ultralytics al primo utilizzo.

• I valori mAP^val si riferiscono a un singolo modello con scala singola sul dataset COCO Keypoints val2017.
  Riproduci con yolo pose val data=coco-pose.yaml device=0 nms=False
• Velocità media sulle immagini COCO val con ONNX su CPU e TensorRT10 su una GPU NVIDIA T4.
  Riproduci i risultati con yolo pose val data=coco-pose.yaml batch=1 device=0|cpu nms=False
• I valori di Parametri e FLOPs si riferiscono ai modelli fusi dopo la fusione di Conv/BatchNorm e la rimozione del ramo di rilevamento inutilizzato. I checkpoint preaddestrati mantengono l’architettura di addestramento completa e possono riportare valori più elevati.

Consulta l'anteprima non ancora rilasciata di YOLO27 per i risultati preliminari sui keypoint COCO.

Addestra#

Addestra YOLO26n-pose sul dataset COCO8-pose per 100 epoche con una dimensione delle immagini di 640. Per l'elenco completo degli argomenti disponibili, consulta la pagina Configurazione.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-pose.yaml")  # crea un nuovo modello dal file YAML
model = YOLO("yolo26n-pose.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # crea dal file YAML e trasferisci i pesi

# Addestra il modello
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Consulta la pagina Addestramento per i dettagli completi sulla modalità train. Puoi addestrare i modelli di posa anche con l'addestramento cloud di Ultralytics Platform.

Formato del dataset#

Trovi tutti i dettagli sul formato dei dataset YOLO per la posa nella Guida ai dataset. Per convertire un dataset JSON esistente dei keypoint COCO nel formato YOLO, usa la funzione integrata convert_coco con use_keypoints=True, come descritto nella guida alla conversione da COCO a YOLO. Le annotazioni di Ultralytics Platform supportano anche le etichette di posa, con modelli di scheletro integrati per persone, mani e volti, oltre a configurazioni personalizzate di keypoint.

Per attività di stima della posa personalizzate, puoi provare anche dataset specializzati come Tiger-Pose per la stima della posa degli animali, Hand Keypoints per il tracciamento delle mani o Dog-Pose per l'analisi della posa dei cani.

Convalida#

Convalida l'accuratezza del modello YOLO26n-pose addestrato. Non servono argomenti, perché model conserva il proprio data di addestramento e gli argomenti come attributi del modello: path/to/best.pt dell'esempio di Addestramento esegue la convalida su COCO8-pose. I pesi ufficiali registrano un percorso del dataset di addestramento che potrebbe non esistere sul tuo computer; in tal caso, viene usato il valore predefinito dell'attività coco8-pose.yaml con un avviso. Passa data per convalidare un altro dataset.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-pose.pt")  # carica un modello ufficiale
model = YOLO("path/to/best.pt")  # carica un modello personalizzato

# Convalida il modello
metrics = model.val()  # non servono argomenti, il dataset e le impostazioni vengono ricordati
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # un elenco contenente mAP50-95 per ogni categoria
metrics.box.image_metrics  # dizionario delle metriche per immagine relativo ai riquadri, con precisione, richiamo, F1, TP, FP e FN
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # un elenco contenente mAP50-95(P) per ogni categoria
metrics.pose.image_metrics  # dizionario delle metriche per immagine relativo alla posa, con precisione, richiamo, F1, TP, FP e FN

Predici#

Usa un modello YOLO26n-pose addestrato per eseguire previsioni sulle immagini.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-pose.pt")  # carica un modello ufficiale
model = YOLO("path/to/best.pt")  # carica un modello personalizzato

# Esegui previsioni con il modello
results = model("https://ultralytics.com/images/bus.jpg")  # esegui una previsione su un’immagine

# Accedi ai risultati
for result in results:
    xy = result.keypoints.xy  # coordinate x e y
    xyn = result.keypoints.xyn  # normalized
    kpts = result.keypoints.data  # x, y, visibilità (se disponibile)

Consulta la pagina Previsione per i dettagli completi sulla modalità predict.

Output dei risultati#

La stima della posa restituisce un oggetto Results per immagine. I principali campi della previsione sono result.keypoints per le coordinate della posa e result.boxes per le istanze rilevate a cui appartengono quei keypoint.

Per consultare i campi Results specifici di ogni attività, visita la sezione Risultati delle previsioni per attività.

Mappa degli indici dei keypoint#

I modelli YOLO26 Pose predefiniti prevedono i 17 keypoint COCO, quindi l'indice k in result.keypoints.xy[:, k] corrisponde a:

0. Naso
1. Occhio sinistro
2. Occhio destro
3. Orecchio sinistro
4. Orecchio destro
5. Spalla sinistra
6. Spalla destra
7. Gomito sinistro
8. Gomito destro
9. Polso sinistro
10. Polso destro
11. Anca sinistra
12. Anca destra
13. Ginocchio sinistro
14. Ginocchio destro
15. Caviglia sinistra
16. Caviglia destra

Esporta#

Esporta un modello YOLO26n-pose in un altro formato, come ONNX, CoreML ecc.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-pose.pt")  # carica un modello ufficiale
model = YOLO("path/to/best.pt")  # carica un modello personalizzato

# Esporta il modello
model.export(format="onnx")

I formati di esportazione disponibili per YOLO26-pose sono elencati nella tabella seguente. Puoi esportare in qualsiasi formato usando l'argomento format, ad esempio format='onnx' o format='engine'. Puoi eseguire previsioni o convalidare direttamente i modelli esportati, ad esempio yolo predict model=yolo26n-pose.onnx. Al termine dell'esportazione, vengono mostrati esempi d'uso per il tuo modello.

nms=None restituisce per impostazione predefinita output grezzi per NMS esterno. Imposta nms=False per selezionare una head disponibile senza NMS; i formati non supportati utilizzano il proprio percorso di output nativo. Le voci nms qui sopra identificano i formati che possono integrare NMS con nms=True.

Consulta i dettagli completi di export nella pagina Esportazione.

Domande frequenti#