Link to this sectionStima della posa#

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

Link to this sectionModelli#

I modelli di posa preaddestrati Ultralytics YOLO26 sono mostrati qui. I modelli di rilevamento (Detect), segmentazione (Segment) e posa (Pose) sono preaddestrati sul dataset COCO, i modelli Semantic sono preaddestrati su Cityscapes e i modelli di classificazione (Classify) sono preaddestrati sul dataset ImageNet.

I modelli vengono scaricati automaticamente dall'ultima release di Ultralytics al primo utilizzo.

• I valori mAP^val si riferiscono al modello singolo a scala singola sul dataset COCO Keypoints val2017.
  Riproduci tramite yolo val pose data=coco-pose.yaml device=0
• La velocità è calcolata come media sulle immagini COCO val utilizzando un'istanza Amazon EC2 P4d.
  Riproduci tramite yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
• I valori Parametri e FLOPs sono per il modello fuso dopo model.fuse(), che unisce i livelli Conv e BatchNorm e, per i modelli end2end, rimuove l'head di rilevamento ausiliaria one-to-many. I checkpoint preaddestrati mantengono l'intera architettura di addestramento e potrebbero mostrare conteggi più elevati.

Link to this sectionAddestramento#

Addestra un modello YOLO26-pose sul dataset COCO8-pose. Il dataset COCO8-pose è un piccolo dataset di esempio perfetto per testare ed eseguire 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)

Vedi i dettagli completi della modalità train nella pagina Train. I modelli di posa possono essere addestrati anche su GPU cloud tramite Ultralytics Platform.

Link to this sectionFormato del dataset#

Il formato del dataset di posa YOLO può essere trovato in dettaglio nella Guida ai Dataset. Per convertire il tuo dataset esistente da altri formati (come COCO ecc.) al formato YOLO, utilizza lo strumento JSON2YOLO di Ultralytics. Ultralytics Platform supporta anche l'annotazione della posa con modelli di scheletro integrati per persona, mano, volto e layout di keypoint personalizzati.

Per attività di stima della posa personalizzate, puoi anche esplorare dataset specializzati come Tiger-Pose per la stima della posa animale, Hand Keypoints per il tracciamento della mano o Dog-Pose per l'analisi della posa canina.

Link to this sectionValutazione#

Validate trained YOLO26n-pose model accuracy on the COCO8-pose dataset. No arguments are needed as the model retains its training data and arguments as model attributes.

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

Link to this sectionPrevisione#

Usa un modello YOLO26n-pose addestrato per eseguire previsioni sulle immagini. La modalità predict ti consente di eseguire inferenze 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)

Vedi tutti i dettagli della modalità predict nella pagina Predict.

Link to this sectionOutput dei risultati#

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

Per i campi Results specifici per ogni attività, vedi la sezione Predizioni dei Risultati per Attività.

Link to this sectionEsportazione#

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 YOLO26-pose disponibili sono nella tabella sottostante. Puoi esportare in qualsiasi formato utilizzando l'argomento format, ad esempio format='onnx' o format='engine'. Puoi prevedere o convalidare direttamente sui modelli esportati, ad esempio yolo predict model=yolo26n-pose.onnx. Esempi di utilizzo sono mostrati per il tuo modello dopo il completamento dell'esportazione.

Vedi i dettagli completi dell'export nella pagina Export.

Link to this sectionFAQ#

Link to this sectionCos'è la stima della posa con Ultralytics YOLO26 e come funziona?#

La stima della posa con Ultralytics YOLO26 comporta l'identificazione di punti specifici, noti come keypoint, in un'immagine. Questi keypoint rappresentano solitamente articolazioni o altre caratteristiche importanti dell'oggetto. L'output include le coordinate [x, y] e i punteggi di confidenza per ogni punto. I modelli YOLO26-pose sono specificamente progettati per questo compito e utilizzano il suffisso -pose, come yolo26n-pose.pt. Questi modelli sono preaddestrati su dataset come COCO keypoints e possono essere utilizzati per varie attività di stima della posa. Per maggiori informazioni, visita la Pagina della Stima della Posa.

Link to this sectionCome posso addestrare un modello YOLO26-pose su un dataset personalizzato?#

L'addestramento di un modello YOLO26-pose su un dataset personalizzato comporta il caricamento di un modello, che sia un nuovo modello definito da un file YAML o un modello preaddestrato. Puoi quindi avviare il processo di addestramento utilizzando il dataset e i parametri specificati.

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)

# Train the model
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

Per dettagli completi sull'addestramento, fai riferimento alla Sezione Addestramento. Puoi anche utilizzare Ultralytics Platform per un approccio senza codice all'addestramento di modelli personalizzati di stima della posa.

Link to this sectionCome convalido un modello YOLO26-pose addestrato?#

La convalida di un modello YOLO26-pose comporta la valutazione della sua accuratezza utilizzando gli stessi parametri del dataset mantenuti durante l'addestramento. Ecco un esempio:

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

Per ulteriori informazioni, visita la Sezione Valutazione.

Link to this sectionPosso esportare un modello YOLO26-pose in altri formati e come?#

Sì, puoi esportare un modello YOLO26-pose in vari formati come ONNX, CoreML, TensorRT e altri. Questo può essere fatto utilizzando Python o la Command Line Interface (CLI).

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")

Fai riferimento alla Sezione Esportazione per ulteriori dettagli. I modelli esportati possono essere distribuiti su dispositivi edge per applicazioni in tempo reale come il monitoraggio del fitness, l'analisi sportiva o la robotica.

Link to this sectionQuali sono i modelli Ultralytics YOLO26-pose disponibili e le loro metriche di performance?#

Ultralytics YOLO26 offre vari modelli di posa preaddestrati come YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, tra gli altri. Questi modelli differiscono per dimensioni, accuratezza (mAP) e velocità. Ad esempio, il modello YOLO26n-pose raggiunge un mAP^pose50-95 di 57.2 e un mAP^pose50 di 83.3. Per un elenco completo e dettagli sulle prestazioni, visita la Sezione Modelli.