엔터프라이즈급 보안: ISO 27001 및 SOC 2 Type I 규정을 준수합니다.

Link to this section포즈 추정(Pose Estimation) 데이터셋 개요#

Link to this section지원되는 데이터셋 형식#

Link to this sectionUltralytics YOLO 형식#

YOLO 포즈 모델 학습에 사용되는 데이터셋 라벨 형식은 다음과 같습니다:

  1. 이미지당 하나의 텍스트 파일: 데이터셋의 각 이미지에는 이미지 파일과 동일한 이름 및 ".txt" 확장자를 가진 대응하는 텍스트 파일이 있습니다.
  2. 객체당 한 행: 텍스트 파일의 각 행은 이미지 내의 하나의 객체 인스턴스에 해당합니다.
  3. 행별 객체 정보: 각 행에는 해당 객체 인스턴스에 대한 다음 정보가 포함됩니다:
    • 객체 클래스 인덱스: 객체의 클래스를 나타내는 정수(예: 사람은 0, 자동차는 1 등).
    • 객체 중심 좌표: 객체 중심의 x 및 y 좌표이며, 0과 1 사이의 값으로 정규화됩니다.
    • 객체 너비 및 높이: 객체의 너비와 높이이며, 0과 1 사이의 값으로 정규화됩니다.
    • 객체 키포인트 좌표: 객체의 키포인트이며, 0과 1 사이의 값으로 정규화됩니다.

다음은 포즈 추정 작업을 위한 라벨 형식의 예시입니다:

2D 키포인트 형식

<class-index> <x> <y> <width> <height> <px1> <py1> <px2> <py2> ... <pxn> <pyn>

키포인트 가시성 포함 형식 (포인트별 가시성 포함)

<class-index> <x> <y> <width> <height> <px1> <py1> <p1-visibility> <px2> <py2> <p2-visibility> <pxn> <pyn> <pn-visibility>

이 형식에서 <class-index>는 객체의 클래스 인덱스이고, <x> <y> <width> <height>는 bounding box의 정규화된 좌표이며, <px1> <py1> <px2> <py2> ... <pxn> <pyn>은 정규화된 키포인트 좌표입니다. 가시성 채널은 선택 사항이지만, 가림 현상(occlusion)을 어노테이션하는 데이터셋에 유용합니다.

Link to this section데이터셋 YAML 형식#

Ultralytics 프레임워크는 포즈 추정 모델을 학습하기 위한 데이터셋 및 모델 구성을 정의할 때 YAML 파일 형식을 사용합니다. 다음은 포즈 데이터셋을 정의하는 데 사용되는 YAML 형식의 예시입니다:

ultralytics/cfg/datasets/coco8-pose.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8-pose # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

train, val 및 test 필드는 학습, 검증 및 테스트 이미지를 가리킵니다. 각 필드는 디렉토리, 디렉토리 목록 또는 줄당 하나의 이미지 경로를 나열하는 *.txt 파일을 허용합니다(./로 시작하는 경로는 *.txt 파일을 기준으로 상대 경로로 해석됩니다). *.txt 파일은 디렉토리의 하위 집합에서 학습하거나, 라벨이 지정되지 않은 이미지를 건너뛰거나, 여러 소스의 이미지를 하나의 분할로 결합할 때 유용합니다.

`*.txt` 파일 형태의 이미지 경로
path: datasets/coco8-pose # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: person

names는 클래스 이름의 딕셔너리입니다. 이름의 순서는 YOLO 데이터셋 파일의 객체 클래스 인덱스 순서와 일치해야 합니다.

(선택 사항) flip_idx는 각 키포인트를 미러 이미지로 매핑하여 수평 뒤집기 증강 시 인체나 얼굴과 같이 대칭적인 골격에서 좌우 일관성을 유지하도록 합니다. [왼쪽 눈, 오른쪽 눈, 코, 왼쪽 입, 오른쪽 입] = [0, 1, 2, 3, 4]로 인덱싱된 5개의 얼굴 랜드마크의 경우, flip_idx는 [1, 0, 2, 4, 3]이 됩니다. 즉, 0-1번과 3-4번의 좌우 쌍이 서로 바뀌고, 코는 자신의 인덱스를 유지합니다.

(Optional) kpt_oks_sigmas sets custom per-keypoint OKS sigmas used during validation, e.g. [0.26, 0.25, 0.25, ...]. The list length must equal the number of keypoints N from kpt_shape, and every value must be positive. When omitted, the COCO 17-keypoint sigmas are used for kpt_shape: [17, 3] and a uniform 1/N otherwise.

Link to this section사용법#

예시
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Link to this section지원되는 데이터셋#

이 섹션에서는 Ultralytics YOLO 형식과 호환되며 pose estimation 모델 학습에 사용할 수 있는 데이터셋을 설명합니다.

Link to this sectionCOCO-Pose#

  • 설명: COCO-Pose는 키포인트가 주석으로 달린 사람들을 포함하는 COCO 2017 이미지를 다루는 대규모 사람 포즈 추정 데이터셋입니다.
  • 라벨 형식: 위에서 설명한 Ultralytics YOLO 형식과 동일하며, 사람 포즈에 대한 키포인트가 포함되어 있습니다.
  • 클래스 수: 1 (사람).
  • 키포인트: 코, 눈, 귀, 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목을 포함한 17가지 유형의 키포인트이며, 각각 가시성 차원을 포함합니다.
  • 사용법: 사람 포즈 추정 모델 학습에 적합합니다.
  • 추가 참고 사항: 이 데이터셋은 COCO Keypoints 2017 챌린지를 기반으로 하며, 156,165명의 사람에 대한 주석이 포함된 58,945장의 이미지로 구성됩니다.
  • COCO-Pose에 대해 더 알아보기

Link to this sectionCOCO8-Pose#

  • 설명: Ultralytics COCO8-Pose는 COCO train 2017 세트의 첫 8개 이미지(학습용 4개, 검증용 4개)로 구성된 작지만 활용도가 높은 포즈 추정 데이터셋입니다.
  • 라벨 형식: 위에서 설명한 Ultralytics YOLO 형식과 동일하며, 사람 포즈에 대한 키포인트가 포함되어 있습니다.
  • 클래스 수: 1 (사람).
  • 키포인트: 코, 눈, 귀, 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목을 포함한 17가지 유형의 키포인트이며, 각각 가시성 차원을 포함합니다.
  • 사용법: 포즈 추정 모델을 테스트 및 디버깅하거나 새로운 키포인트 탐지 접근 방식을 실험하는 데 적합합니다.
  • 추가 참고: COCO8-Pose는 정상 작동 여부 확인 및 CI checks에 이상적입니다.
  • COCO8-Pose에 대해 더 알아보기

Link to this sectionDog-Pose#

  • 설명: Ultralytics Dog-Pose 데이터셋은 반려견 키포인트 추정을 위한 6,773장의 학습 이미지와 1,703장의 검증 이미지로 구성되어 있습니다.
  • 라벨 형식: Ultralytics YOLO 형식을 따르며, 개 해부학적 구조에 특화된 여러 키포인트에 대한 어노테이션을 포함합니다.
  • 클래스 수: 1 (개).
  • 키포인트: 사지, 관절, 머리 위치와 같이 반려견 포즈에 맞춰진 24개의 키포인트이며, 각 키포인트는 가시성 차원을 포함합니다.
  • 사용법: 연구부터 실제 애플리케이션에 이르기까지 다양한 시나리오에서 개 포즈를 추정하는 모델을 학습시키는 데 이상적입니다.
  • 추가 참고 사항: 소스 이미지는 Stanford Dogs Dataset에서 가져왔습니다.
  • Dog-Pose에 대해 더 알아보기

Link to this sectionHand Keypoints#

  • 설명: Ultralytics Hand Keypoints 데이터셋은 26,768장의 이미지로 구성되어 있으며, 18,776장은 학습용으로, 7,992장은 검증용으로 할당되었습니다.
  • 라벨 형식: 위에서 설명한 Ultralytics YOLO 형식과 동일하지만, 사람 손에 대한 21개의 키포인트와 가시성 차원이 포함됩니다.
  • 클래스 수: 1 (손).
  • 키포인트: 21개의 키포인트.
  • 사용법: 사람 손 포즈 추정 및 제스처 인식에 매우 유용합니다.
  • 추가 참고 사항: 키포인트 주석은 일관된 레이블링을 위해 Google MediaPipe를 사용하여 생성되었습니다.
  • Hand Keypoints에 대해 더 알아보기

Link to this sectionTiger-Pose#

  • 설명: Ultralytics Tiger-Pose 데이터셋은 YouTube 영상에서 가져온 263장의 이미지로 구성되어 있으며, 210장은 학습용으로, 53장은 검증용으로 할당되었습니다.
  • 라벨 형식: 위에서 설명한 Ultralytics YOLO 형식과 동일하며, 동물 포즈를 위한 12개의 키포인트가 있고 가시성 차원은 없습니다.
  • 클래스 수: 1 (호랑이).
  • 키포인트: 12개의 키포인트.
  • 사용법: 동물 포즈 또는 사람이 아닌 다른 포즈를 추정하는 데 매우 유용합니다.
  • 추가 참고 사항: AGPL-3.0 License 하에 배포됩니다.
  • Tiger-Pose에 대해 더 알아보기

Link to this section자신만의 데이터셋 추가하기#

자체 데이터셋을 보유하고 있으며 이를 사용하여 Ultralytics YOLO 형식으로 포즈 추정 모델을 학습시키려는 경우, 위에서 명시된 "Ultralytics YOLO 형식"을 따르는지 확인하십시오. 어노테이션을 필요한 형식으로 변환하고 YAML 구성 파일에서 경로, 클래스 수, 클래스 이름을 지정하십시오.

변환 단계를 완전히 건너뛰려면 Ultralytics Platform을 사용하여 원본 이미지를 업로드하고, 브라우저에서 키포인트 주석을 달고, 결과 데이터셋으로 직접 학습할 수 있습니다.

Link to this section변환 도구#

Ultralytics는 널리 사용되는 COCO dataset 형식의 라벨을 YOLO 형식으로 변환할 수 있는 편리한 변환 도구를 제공합니다.

예시
from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_keypoints=True)

이 변환 도구는 COCO 데이터셋 또는 COCO 형식의 데이터셋을 Ultralytics YOLO 형식으로 변환하는 데 사용할 수 있습니다. use_keypoints 매개변수는 변환된 라벨에 (포즈 추정을 위한) 키포인트를 포함할지 여부를 지정합니다.

Link to this sectionFAQ#

Link to this section포즈 추정을 위한 Ultralytics YOLO 형식이란 무엇인가요?#

포즈 추정 데이터셋을 위한 Ultralytics YOLO 형식은 각 이미지에 대응하는 텍스트 파일을 라벨링하는 것을 포함합니다. 텍스트 파일의 각 행은 객체 인스턴스에 대한 정보를 저장합니다:

  • 객체 클래스 인덱스
  • 객체 중심 좌표 (정규화된 x 및 y)
  • 객체 너비 및 높이 (정규화됨)
  • 객체 키포인트 좌표 (정규화된 pxn 및 pyn)

2D 포즈의 경우 키포인트에는 정규화된 x 및 y 좌표가 포함됩니다. 가시성 차원이 있는 경우, 각 키포인트에는 가시성 플래그도 포함됩니다. 자세한 내용은 Ultralytics YOLO 형식을 참조하십시오.

Link to this sectionCOCO-Pose 데이터셋을 Ultralytics YOLO에서 어떻게 사용하나요?#

coco-pose.yaml은 패키지와 함께 제공되며 처음 사용할 때 이미지와 라벨을 다운로드하므로 수동으로 준비할 필요가 없습니다:

from ultralytics import YOLO

model = YOLO("yolo26n-pose.pt")  # load pretrained model
results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)

데이터셋에 대한 자세한 내용은 COCO-Pose를 참조하고, 전체 인수 목록은 학습(Train) 페이지를 참조하십시오.

Link to this sectionUltralytics YOLO에서 포즈 추정을 위해 나만의 데이터셋을 추가하려면 어떻게 해야 하나요?#

데이터셋을 추가하려면:

  1. 어노테이션을 Ultralytics YOLO 형식으로 변환합니다.

  2. 데이터셋 경로, 클래스 수, 클래스 이름을 지정하는 YAML 구성 파일을 만듭니다.

  3. 구성 파일을 사용하여 모델을 학습시킵니다:

    from ultralytics import YOLO

model = YOLO("yolo26n-pose.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

    전체 단계는 자체 데이터셋 추가 섹션을 확인하십시오.

Link to this sectionUltralytics YOLO에서 데이터셋 YAML 파일의 목적은 무엇인가요?#

Ultralytics YOLO의 데이터셋 YAML 파일은 학습을 위한 데이터셋 및 모델 구성을 정의합니다. 학습, 검증, 테스트 이미지 경로, 키포인트 모양, 클래스 이름 및 기타 구성 옵션을 지정합니다. 이 구조화된 형식은 데이터셋 관리 및 모델 학습을 효율화하는 데 도움이 됩니다. 다음은 YAML 형식 예시입니다:

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8-pose # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

YAML 구성 파일 생성에 대한 자세한 내용은 데이터셋 YAML 형식을 참조하십시오.

Link to this sectionCOCO 데이터셋 라벨을 포즈 추정을 위한 Ultralytics YOLO 형식으로 어떻게 변환하나요?#

Ultralytics는 COCO 데이터셋 라벨을 키포인트 정보를 포함하여 YOLO 형식으로 변환하는 변환 도구를 제공합니다:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_keypoints=True)

이 도구는 COCO 데이터셋을 YOLO 프로젝트에 원활하게 통합하도록 돕습니다. 자세한 내용은 Conversion Tool 섹션과 data preprocessing guide를 참조하십시오.

기여자
GLglenn-jocher22RAraimbekovm5RIRizwanMunawar3COcosmo-gb1MImiles-deans-ultralytics1LALaughing-q1Y-Y-T-G1MAMatthewNoyce1JKjk4e1

댓글