Stima della posa
La stima della posa è un'attività che prevede l'identificazione della posizione di punti specifici in un'immagine, solitamente indicati come punti chiave. I punti chiave possono rappresentare varie parti dell'oggetto come articolazioni, punti di riferimento o altre caratteristiche distintive. Le posizioni dei punti chiave sono solitamente rappresentate come un insieme di punti chiave 2D. [x, y]
o 3D [x, y, visible]
coordinate.
L'output di un modello di stima della posa è un insieme di punti che rappresentano i punti chiave di un oggetto nell'immagine, solitamente insieme ai punteggi di confidenza per ogni 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 rispetto agli altri.
Guarda: Stima della posa con Ultralytics YOLOv8 . |
Guarda: Stima della posa con Ultralytics HUB. |
Suggerimento
YOLOv8 posa i modelli utilizzano il metodo -pose
suffisso, cioè yolov8n-pose.pt
. Questi modelli vengono addestrati sulla base di Punti chiave di COCO e sono adatti a una serie di compiti di stima della posa.
Modelli
YOLOv8 I modelli Pose pre-addestrati sono mostrati qui. I modelli Detect, Segment e Pose sono stati preaddestrati sul dataset COCO, mentre i modelli Classify sono stati preaddestrati sul dataset ImageNet.
I modelli vengono scaricati automaticamente dall'ultimarelease di Ultralytics al primo utilizzo.
Modello | dimensione (pixel) |
mAPpose 50-95 |
mAPpose 50 |
VelocitĂ CPU ONNX (ms) |
VelocitĂ A100 TensorRT (ms) |
params (M) |
FLOP (B) |
---|---|---|---|---|---|---|---|
YOLOv8n-possesso | 640 | 50.4 | 80.1 | 131.8 | 1.18 | 3.3 | 9.2 |
YOLOv8s-possesso | 640 | 60.0 | 86.2 | 233.2 | 1.42 | 11.6 | 30.2 |
YOLOv8m-possesso | 640 | 65.0 | 88.8 | 456.3 | 2.00 | 26.4 | 81.0 |
YOLOv8l-possesso | 640 | 67.6 | 90.0 | 784.5 | 2.59 | 44.4 | 168.6 |
YOLOv8x-possesso | 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 I valori si riferiscono a un modello a scala singola su Punti chiave COCO val2017 set di dati.
Riproduci dayolo val pose data=coco-pose.yaml device=0
- VelocitĂ mediata sulle immagini COCO val utilizzando un Amazon EC2 P4d istanza.
Riproduci dayolo val pose data=coco8-pose.yaml batch=1 device=0|cpu
Treno
Addestrare un modello YOLOv8-pose sul dataset COCO128-pose.
Esempio
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
Formato del set di dati
YOLO Il formato dei set di dati può essere consultato in dettaglio nella Guida ai set di dati. Per convertire il tuo set di dati esistente da altri formati (come COCO ecc.) al formato YOLO , utilizza lo strumento JSON2YOLO di Ultralytics.
Val
Convalida l'accuratezza del modello addestrato YOLOv8n-pose sul set di dati COCO128-pose. Non è necessario passare alcun argomento come l'opzione model
mantiene la sua formazione data
e gli argomenti come attributi del modello.
Esempio
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
Prevedere
Utilizza un modello addestrato YOLOv8n per eseguire previsioni sulle immagini.
Esempio
Vedi tutto predict
i dettagli della modalitĂ nella sezione Prevedere pagina.
Esportazione
Esporta un modello di posa YOLOv8n in un formato diverso come ONNX, CoreML, ecc.
Esempio
I formati di esportazione disponibili di YOLOv8-pose sono riportati nella tabella seguente. Puoi esportare in qualsiasi formato utilizzando l'opzione format
argomento, vale a dire format='onnx'
o format='engine'
. Puoi prevedere o convalidare direttamente i modelli esportati, ad es. yolo predict model=yolov8n-pose.onnx
. Al termine dell'esportazione vengono mostrati degli esempi di utilizzo per il tuo modello.
Formato | format Argomento |
Modello | Metadati | Argomenti |
---|---|---|---|---|
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 , 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 Bordo 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 |
Vedi tutto export
dettagli nella sezione Esportazione pagina.
Creato 2023-11-12, Aggiornato 2024-04-27
Autori: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1), AyushExel (1), Laughing-q (1)