姿勢推定#

姿勢推定は、画像内の特定の位置（通常はキーポイントと呼ばれる）を特定するタスクです。キーポイントは、関節、ランドマーク、その他の特徴的な部分など、オブジェクトのさまざまな部分を表すことができます。キーポイントの位置は、通常、2D [x, y] 座標のセットとして表され、必要に応じて可視性フラグ [x, y, visible] が付加されます。

姿勢推定モデルの出力は、画像内のオブジェクト上のキーポイントを表す一連の点であり、通常は各点の信頼度スコアが伴います。姿勢推定は、シーン内のオブジェクトの特定のパーツや、それらの相互の相対的な位置を特定する必要がある場合に適した選択肢です。

モデル#

ここでは Ultralytics YOLO26 の事前学習済み Pose モデルを示します。Detect、Segment、Pose の各モデルは COCO データセットで事前学習されており、Semantic モデルは Cityscapes で、Classify モデルは ImageNet データセットで事前学習されています。

モデルは、初回使用時に最新の Ultralytics リリースから自動的にダウンロードされます。

• mAP^val の値は、COCO Keypoints val2017 データセットにおけるシングルモデル・シングルスケールのものです。
  再現手順: yolo val pose data=coco-pose.yaml device=0
• 速度（Speed） は、Amazon EC2 P4d インスタンスを使用して COCO val 画像で平均化したものです。
  再現手順: yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
• Params および FLOPs の値は、model.fuse() 後の融合済みモデルに対するものです。これは Conv レイヤーと BatchNorm レイヤーを結合し、エンドツーエンドモデルの場合は補助的な一対多検出ヘッドを削除します。事前学習済みのチェックポイントは完全なトレーニングアーキテクチャを保持するため、より高い数値を示す場合があります。

トレーニング#

COCO8-pose データセットで YOLO26-pose モデルをトレーニングします。COCO8-pose データセットは、姿勢推定モデルのテストとデバッグに最適な小規模なサンプルデータセットです。

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)

train モードの詳細については、Train ページを参照してください。Pose モデルは Ultralytics Platform クラウドトレーニングを使用してトレーニングすることもできます。

データセット形式#

YOLO ポーズデータセットの形式の詳細については、Dataset Guide を参照してください。既存のデータセットを他の形式（COCO など）から YOLO 形式に変換するには、Ultralytics の JSON2YOLO ツールをご利用ください。Ultralytics Platform アノテーションでは、人物、手、顔、およびカスタムキーポイントレイアウト用の組み込みスケルトンテンプレートを使用したポーズラベルもサポートしています。

カスタムの姿勢推定タスクのために、動物の姿勢推定用の Tiger-Pose、手の追跡用の Hand Keypoints、または犬の姿勢分析用の Dog-Pose などの専門的なデータセットを探索することもできます。

検証#

COCO8-pose データセットで、トレーニング済みの YOLO26n-pose モデルの精度を検証します。model はトレーニング時の data と引数をモデル属性として保持するため、引数は必要ありません。

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

予測#

トレーニング済みの YOLO26n-pose モデルを使用して、画像に対する予測を実行します。predict モードを使用すると、画像、動画、またはリアルタイムストリームに対して推論を実行できます。

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)

predict モードの詳細については、Predict ページを参照してください。

結果の出力#

姿勢推定では、画像ごとに 1 つの Results オブジェクトが返されます。主な予測フィールドは、ポーズ座標用の result.keypoints と、それらのキーポイントが属する検出されたインスタンス用の result.boxes です。

すべてのタスクに共通するタスク固有の Results フィールドについては、Predict Results by Task セクションを参照してください。

エクスポート#

YOLO26n Pose モデルを ONNX や CoreML などの別の形式にエクスポートします。これにより、リアルタイム推論のためにモデルをさまざまなプラットフォームやデバイスにデプロイできるようになります。

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")

利用可能な YOLO26-pose のエクスポート形式を以下の表に示します。format 引数（例: format='onnx' または format='engine'）を使用して、任意の形式にエクスポートできます。エクスポートされたモデルに対して直接、予測や検証を行うこともできます（例: yolo predict model=yolo26n-pose.onnx）。エクスポート完了後のモデルの使用例が示されています。

詳細な export については、Export ページをご覧ください。

よくある質問 (FAQ)#

Ultralytics YOLO26 による姿勢推定とは何か、またその仕組みは？#

Ultralytics YOLO26 による姿勢推定では、画像内のキーポイントと呼ばれる特定のポイントを特定します。これらのキーポイントは、通常、オブジェクトの関節やその他の重要な特徴を表します。出力には、各ポイントの [x, y] 座標と信頼度スコアが含まれます。YOLO26-pose モデルはこのタスク専用に設計されており、-pose サフィックス（yolo26n-pose.pt など）を使用します。これらのモデルは COCO keypoints などのデータセットで事前学習されており、さまざまな姿勢推定タスクに使用できます。詳細については、Pose Estimation Page をご覧ください。

YOLO26-pose モデルをカスタムデータセットでトレーニングするには？#

YOLO26-pose モデルをカスタムデータセットでトレーニングするには、YAML ファイルで定義された新しいモデル、または事前学習済みモデルのいずれかをロードします。その後、指定したデータセットとパラメータを使用してトレーニングプロセスを開始できます。

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)

トレーニングに関する詳細情報については、Train Section を参照してください。また、コード不要でカスタム姿勢推定モデルをトレーニングするために、Ultralytics Platform クラウドトレーニングを使用することもできます。

トレーニング済みの YOLO26-pose モデルを検証するには？#

YOLO26-pose モデルの検証では、トレーニング中に保持されたのと同じデータセットパラメータを使用して精度を評価します。以下に例を示します。

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

詳細については、Val Section をご覧ください。

YOLO26-pose モデルを他の形式にエクスポートできますか？またその方法は？#

はい、YOLO26-pose モデルは ONNX、CoreML、TensorRT など、さまざまな形式にエクスポートできます。これは Python またはコマンドラインインターフェース (CLI) を使用して実行できます。

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")

詳細については、Export Sectionをご参照ください。エクスポートされたモデルは、フィットネス追跡、スポーツ分析、roboticsなどのreal-time applications向けのエッジデバイスにデプロイできます。

利用可能な Ultralytics YOLO26-pose モデルとそのパフォーマンス指標は？#

Ultralytics YOLO26 は、YOLO26n-pose、YOLO26s-pose、YOLO26m-pose など、さまざまな事前学習済みのポーズモデルを提供しています。これらのモデルは、サイズ、精度（mAP）、速度が異なります。たとえば、YOLO26n-pose モデルは、57.2 の mAP^pose50-95 と 83.3 の mAP^pose50 を達成します。完全なリストとパフォーマンスの詳細については、Models Section をご覧ください。