Stima dei pose con Ultralytics YOLO#

La stima della posa è un'attività che consiste nell'identificare la posizione di punti specifici in un'immagine, solitamente denominati keypoints. I keypoints possono rappresentare varie parti dell'oggetto come articolazioni, punti di riferimento o altre caratteristiche distintive. Le posizioni dei keypoints sono solitamente rappresentate come un insieme di coordinate 2D [x, y], facoltativamente con un flag di visibilità [x, y, visible].

L'output di un modello di stima della posa è un insieme di punti che rappresentano i keypoint su un oggetto nell'immagine, solitamente accompagnati dai punteggi di confidenza per ciascun punto. La stima della posa è una buona scelta quando hai bisogno di identificare parti specifiche di un oggetto in una scena e la loro posizione l'una rispetto all'altra.

Modelli#

I modelli Pose pretrained di Ultralytics YOLO26 sono mostrati qui. I modelli Detect, Segment e Pose sono preaddestrati sul dataset COCO, i modelli Semantic sono preaddestrati su Cityscapes e i modelli Classify sono preaddestrati sul dataset ImageNet.

I Modelli vengono scaricati automaticamente dall'ultimo rilascio di Ultralytics al primo utilizzo.

• I valori di mAP^val si riferiscono a modello singolo e scala singola sul dataset COCO Keypoints val2017.
  Riproduci con yolo val pose data=coco-pose.yaml device=0
• Speed mediata sulle immagini di validazione di COCO utilizzando un'istanza Amazon EC2 P4d.
  Riproduci tramite yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
• I valori di Params e FLOPs si riferiscono al modello fuso dopo model.fuse(), che unisce i layer Conv e BatchNorm e, per i modelli end2end, rimuove la testa di rilevamento ausiliaria one-to-many. I checkpoint preaddestrati mantengono l'architettura di addestramento completa e potrebbero mostrare conteggi più elevati.

Addestramento#

Addestra un modello YOLO26-pose sul dataset COCO8-pose. Il dataset COCO8-pose è un piccolo dataset di esempio perfetto per testare e fare il debug dei tuoi modelli di stima della posa.

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)

Consulta i dettagli completi della modalità train nella pagina Train. I modelli Pose possono anche essere addestrati con l'addestramento cloud Ultralytics Platform.

Formato del dataset#

Il formato del dataset YOLO pose può essere trovato in dettaglio nella Guida ai dataset. Per convertire il tuo dataset esistente da altri formati (come COCO ecc.) nel formato YOLO, utilizza lo strumento JSON2YOLO di Ultralytics. Le annotazioni di Ultralytics Platform supportano anche le etichette di posa con template di scheletro integrati per persona, mano, viso e layout di keypoints personalizzati.

Per attività di stima della posa personalizzate, puoi anche esplorare 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.

Valutazione#

Valida l'accuratezza del modello YOLO26n-pose addestrato sul dataset COCO8-pose. Non sono necessari argomenti poiché model mantiene il suo data di addestramento e gli argomenti come attributi del modello.

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

Previsione#

Usa un modello YOLO26n-pose addestrato per eseguire predizioni sulle immagini. La modalità predict ti permette di eseguire inferenza su immagini, video o flussi in tempo reale.

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)

Visualizza i dettagli completi della modalità predict nella pagina Predict.

Output dei risultati#

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

Per i campi specifici dell'attività Results relativi a ogni attività, consulta la sezione Risultati di predizione per attività.

Esportazione#

Esporta un modello YOLO26n Pose in un formato diverso come ONNX, CoreML, ecc. Questo ti consente di distribuire il tuo modello su varie piattaforme e dispositivi per l'inferenza in tempo reale.

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")

I formati di esportazione disponibili per YOLO26-pose sono nella tabella sottostante. Puoi esportare in qualsiasi formato usando l'argomento format, ad es. format='onnx' o format='engine'. Puoi prevedere o validare direttamente sui modelli esportati, ad es. yolo predict model=yolo26n-pose.onnx. Gli esempi di utilizzo vengono mostrati per il tuo modello al termine dell'esportazione.

Visualizza i dettagli completi di export nella pagina Export.

FAQ#