Link to this sectionCOCO-Pose 데이터셋#

COCO-Pose 데이터셋은 COCO(Common Objects in Context)를 포즈 추정을 위해 조정한 것입니다. 여기에는 17개 키포인트 스키마를 사용하여 156,165명의 인물이 주석 처리된 COCO Keypoints 2017의 이미지 58,945장이 포함되어 있습니다. 이는 Ultralytics YOLO26과 같은 키포인트 모델을 학습하고 벤치마킹하는 표준 데이터셋이며, 8개 이미지로 구성된 COCO8-Pose 하위 세트는 빠른 정상 작동 확인(sanity check)을 위해 이 형식을 반영합니다.

인체 키포인트를 사용한 COCO 포즈 추정

Link to this sectionCOCO-Pose 사전 학습 모델#

모델	크기 ^(픽셀)	mAP^{pose 50-95(e2e)}	mAP^pose 50(e2e)	속도 ^{CPU ONNX (ms)}	속도 ^{T4 TensorRT10 (ms)}	파라미터 ^(M)	FLOPs ^(B)
YOLO26n-pose	640	57.2	83.3	40.3 ± 0.5	1.8 ± 0.0	2.9	7.5
YOLO26s-pose	640	63.0	86.6	85.3 ± 0.9	2.7 ± 0.0	10.4	23.9
YOLO26m-pose	640	68.8	89.6	218.0 ± 1.5	5.0 ± 0.1	21.5	73.1
YOLO26l-pose	640	70.4	90.5	275.4 ± 2.4	6.5 ± 0.1	25.9	91.3
YOLO26x-pose	640	71.6	91.6	565.4 ± 3.0	12.2 ± 0.2	57.6	201.7

Link to this section주요 특징#

COCO-Pose는 COCO Keypoints 2017 챌린지를 기반으로 하며, 주석 처리된 156,165명의 인물 전반에 걸쳐 총 1,710,498개의 개별 키포인트를 라벨링합니다.
각 인물 주석은 코, 눈, 귀, 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목 등 17가지 키포인트 유형을 사용하며, (x, y, visibility) 삼중항으로 저장됩니다.
COCO와 마찬가지로, 이 데이터셋은 포즈 추정 작업을 위한 OKS (Object Keypoint Similarity)를 포함한 표준화된 평가 지표를 제공하여 모델 성능 비교에 적합합니다.
다운로드 크기: 최초 사용 시 약 20.2 GB (train2017.zip + val2017.zip + 레이블). 7 GB 규모의 test2017.zip은 자동으로 가져오지 않는데, 해당 이미지들은 정답 데이터(ground truth)가 비공개이며 test-dev2017 제출 시에만 필요하기 때문입니다.

Link to this section데이터셋 구조#

학습 및 검증을 위해 COCO-Pose는 키포인트가 주석 처리된 인물이 포함된 COCO 2017 이미지만을 포함하므로, 전체 COCO 데이터셋보다 라벨링된 분할 크기가 작습니다. YAML 파일에는 다음과 같은 세 가지 하위 세트가 정의되어 있습니다.

Train2017: 이 하위 세트는 포즈 추정 모델 학습을 위해 주석 처리된 COCO 데이터셋의 이미지 56,599장을 포함합니다.
Val2017: 이 하위 세트는 모델 학습 중 검증 목적으로 사용되는 이미지 2,346장을 포함합니다.
Test-dev2017: 전체 40,670장의 test2017 세트 중 20,288장으로 구성된 하위 세트로, 정답(ground truth)은 비공개입니다. 데이터셋 YAML은 이 분할을 COCO test-dev 키포인트 평가 서버에 연결합니다.

이러한 규모의 학습 과정에서 Ultralytics Platform이 가장 큰 도움을 줍니다. 연산 자원을 관리해주므로 GPU를 직접 프로비저닝하지 않아도 실행 작업을 시작하고 모니터링할 수 있습니다.

Link to this section응용 분야#

The COCO-Pose dataset is specifically used for training and evaluating deep learning models on keypoint detection and pose estimation. The dataset's large number of annotated images and standardized evaluation metrics make it an essential resource for computer vision researchers and practitioners working on human pose.

Link to this section데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 여기에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. COCO-Pose 데이터셋의 경우 coco-pose.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml에 유지 관리됩니다.

ultralytics/cfg/datasets/coco-pose.yaml

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

# COCO 2017 Keypoints dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/pose/coco
# Example usage: yolo train data=coco-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco-pose ← downloads here (20.2 GB)

# 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: coco-pose # dataset root dir
train: train2017.txt # train images (relative to 'path') 56599 images
val: val2017.txt # val images (relative to 'path') 2346 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://codalab.lisn.upsaclay.fr/competitions/7403

# 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: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  dir = Path(yaml["path"])  # dataset root dir

  urls = [f"{ASSETS_URL}/coco2017labels-pose.zip"]
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the CodaLab test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Link to this section사용법#

COCO-Pose 데이터셋에서 YOLO26n-pose 모델을 100 에포크(epoch) 동안 이미지 크기 640으로 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 전체 목록은 모델 학습(Training) 페이지를 참조하십시오.

훈련 예제

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="coco-pose.yaml", epochs=100, imgsz=640)

Link to this section샘플 이미지 및 주석#

COCO-Pose 데이터셋은 키포인트가 어노테이션된 다양한 인체 이미지를 포함합니다. 다음은 데이터셋 이미지와 그에 해당하는 어노테이션의 몇 가지 예시입니다:

COCO 포즈 추정 데이터셋 모자이크 학습 배치

모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이킹은 학습 중에 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치 내의 객체와 장면의 다양성을 높이는 데 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 맥락에 일반화할 수 있는 능력을 향상시키는 데 도움이 됩니다.

이 예시는 COCO-Pose 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이킹(mosaicing)을 사용할 때의 이점을 보여줍니다.

Link to this section인용 및 감사의 글#

연구 또는 개발 작업에 COCO-Pose 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

인용

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

컴퓨터 비전 커뮤니티를 위해 이 귀중한 자원을 생성하고 유지 관리하는 COCO 컨소시엄에 감사를 표합니다. COCO-Pose 데이터셋과 제작자에 대한 자세한 정보는 COCO 데이터셋 웹사이트를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCOCO-Pose 데이터셋이란 무엇이며, 포즈 추정을 위해 Ultralytics YOLO와 어떻게 사용됩니까?#

COCO-Pose는 58,945장의 이미지 전반에 걸쳐 17개 키포인트 스키마를 사용하여 YOLO 키포인트 형식으로 변환된 COCO Keypoints 2017 이미지와 주석을 제공합니다. data=coco-pose.yaml을 사용하여 원하는 Ultralytics YOLO 포즈 모델을 연결하면 되며, 학습 페이지에서 조정 가능한 모든 인수를 확인할 수 있습니다.

Link to this sectionCOCO-Pose 데이터셋에서 어떻게 YOLO26 모델을 학습할 수 있습니까?#

yolo26n-pose.pt를 로드하고 model.train(data="coco-pose.yaml", epochs=100, imgsz=640)을 호출하십시오. 전체 Python 및 CLI 스니펫은 위의 학습 예시를 참조하고, 전체 인수 목록은 학습 페이지를 참조하십시오.

Link to this section모델 성능을 평가하기 위해 COCO-Pose 데이터셋에서 제공하는 다양한 지표는 무엇입니까?#

COCO-Pose 데이터셋은 원래 COCO 데이터셋과 유사하게 포즈 추정 작업을 위한 여러 표준화된 평가 지표를 제공합니다. 주요 지표로는 예측된 키포인트와 정답 어노테이션 간의 정확도(accuracy)를 평가하는 OKS (Object Keypoint Similarity)가 있습니다. 이러한 지표를 통해 서로 다른 모델 간의 철저한 성능 비교가 가능합니다. 예를 들어, YOLO26n-pose, YOLO26s-pose 등과 같은 COCO-Pose 사전 학습 모델은 문서에 mAP^pose50-95 및 mAP^pose50과 같은 구체적인 성능 지표가 나열되어 있습니다.

Link to this sectionCOCO-Pose 데이터셋은 어떻게 구성되고 분할되어 있습니까?#

COCO-Pose ships two labeled splits: 56,599 train2017 images and 2,346 val2017 images. A third split, test-dev2017 (20,288 of the full 40,670 test2017 images), keeps its ground truth private; the dataset YAML links it to the COCO test-dev keypoints evaluation server. See the Dataset Structure section, or the coco-pose.yaml file on GitHub for the exact split paths.

Link to this sectionCOCO-Pose 데이터셋의 주요 기능과 응용 분야는 무엇입니까?#

COCO-Pose는 17개의 인간 키포인트 유형을 사용하며, 모델 비교를 위한 OKS(Object Keypoint Similarity) 등 COCO의 표준화된 지표를 계승합니다. 이러한 조합은 스포츠 분석, 헬스케어, 인간-컴퓨터 상호작용과 같은 인간 포즈 응용 분야에 적합합니다. 사전 학습된 YOLO26-pose 가중치는 COCO-Pose 사전 학습 모델 섹션에 나열되어 있습니다.

키포인트 모델에 대한 자세한 내용은 포즈 추정 작업 문서를 참조하십시오.

기여자

GLglenn-jocher¹⁵ RAraimbekovm³ RIRizwanMunawar³ JKjk4e² Y-Y-T-G¹ AMambitious-octopus¹ MAMatthewNoyce¹ LUlunarifish¹

생성됨 2023년 11월 12일업데이트됨 3일 전