Ultralytics YOLO를 사용한 포즈 추정#

포즈 추정은 이미지에서 특정 지점의 위치를 식별하는 작업으로, 이러한 지점을 일반적으로 키포인트라고 합니다. 키포인트는 관절, 랜드마크 또는 기타 뚜렷한 특징처럼 객체의 다양한 부분을 나타낼 수 있습니다. 키포인트 위치는 일반적으로 2D [x, y] 좌표 집합으로 표현하며, 필요에 따라 가시성 플래그 [x, y, visible]를 포함합니다.

포즈 추정 모델의 출력은 이미지 속 객체의 키포인트를 나타내는 점들의 집합이며, 일반적으로 각 점의 신뢰도 점수도 함께 포함합니다. 장면에서 객체의 특정 부분과 해당 부분 간의 상대적 위치를 식별해야 할 때 포즈 추정이 적합합니다.

모델#

COCO 키포인트 데이터셋으로 사전 학습된 YOLO26 Pose 모델은 아래와 같습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^val 값은 COCO Keypoints val2017 데이터셋에서 단일 모델, 단일 스케일로 측정한 값입니다.
  yolo pose val data=coco-pose.yaml device=0 nms=False로 재현할 수 있습니다.
• 속도는 CPU의 ONNX와 NVIDIA T4 GPU의 TensorRT10을 사용하여 COCO val 이미지에서 측정한 평균값입니다.
  yolo pose val data=coco-pose.yaml batch=1 device=0|cpu nms=False로 재현할 수 있습니다.
• Params 및 FLOPs 값은 Conv/BatchNorm 폴딩과 사용하지 않는 감지 브랜치 제거 후의 융합 모델 기준입니다. 사전 학습된 체크포인트에는 전체 학습 아키텍처가 유지되므로 값이 더 높을 수 있습니다.

예비 COCO 키포인트 결과는 미출시 YOLO27 미리 보기를 참조하세요.

학습#

이미지 크기 640으로 COCO8-pose 데이터셋에서 YOLO26n-pose를 100 에포크 동안 학습합니다. 사용 가능한 전체 인수 목록은 구성 페이지를 참조하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-pose.yaml")  # YAML에서 새 모델을 생성합니다.
model = YOLO("yolo26n-pose.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # YAML에서 모델을 생성하고 가중치를 전이합니다.

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

전체 train 모드 세부 정보는 학습 페이지를 참조하세요. Ultralytics Platform 클라우드 학습을 사용하여 포즈 모델을 학습할 수도 있습니다.

데이터셋 형식#

YOLO 포즈 데이터셋 형식에 대한 자세한 내용은 데이터셋 가이드를 참조하세요. 기존 COCO 키포인트 JSON 데이터셋을 YOLO 형식으로 변환하려면 COCO에서 YOLO로 변환하는 가이드에 설명된 대로 기본 제공 convert_coco 함수를 use_keypoints=True와 함께 사용하세요. Ultralytics Platform 주석은 사람, 손, 얼굴 및 사용자 지정 키포인트 레이아웃을 위한 기본 제공 스켈레톤 템플릿과 포즈 라벨도 지원합니다.

사용자 지정 포즈 추정 작업에는 동물 포즈 추정을 위한 Tiger-Pose, 손 추적을 위한 Hand Keypoints, 개의 포즈 분석을 위한 Dog-Pose와 같은 특수 데이터셋도 살펴볼 수 있습니다.

검증#

학습된 YOLO26n-pose 모델의 정확도를 검증합니다. model은 학습에 사용된 data와 인수를 모델 속성으로 유지하므로 별도의 인수가 필요하지 않습니다. 학습 예제의 path/to/best.pt은 COCO8-pose에서 검증을 수행합니다. 공식 가중치에는 사용자의 컴퓨터에 존재하지 않는 학습 데이터셋 경로가 기록되어 있으므로, 경고와 함께 작업 기본값 coco8-pose.yaml를 사용합니다. 다른 데이터셋에서 검증하려면 data을 전달하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-pose.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델을 검증합니다
metrics = model.val()  # 데이터셋과 설정이 기억되므로 인수가 필요하지 않습니다
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # 각 카테고리의 mAP50-95를 포함하는 목록
metrics.box.image_metrics  # 이미지별 박스 정밀도, 재현율, F1, TP, FP, FN을 담은 지표 딕셔너리
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # 각 카테고리의 mAP50-95(P)를 포함하는 목록
metrics.pose.image_metrics  # 이미지별 포즈 정밀도, 재현율, F1, TP, FP, FN을 담은 지표 딕셔너리

예측#

학습된 YOLO26n-pose 모델을 사용하여 이미지에서 예측을 수행합니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-pose.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델로 예측을 수행합니다
results = model("https://ultralytics.com/images/bus.jpg")  # 이미지에 대해 예측을 수행합니다

# 결과에 액세스합니다
for result in results:
    xy = result.keypoints.xy  # x 및 y 좌표
    xyn = result.keypoints.xyn  # normalized
    kpts = result.keypoints.data  # x, y, 가시성(사용 가능한 경우)

Predict 페이지에서 predict 모드의 전체 세부 정보를 확인하세요.

결과 출력#

포즈 추정은 이미지마다 Results 객체 하나를 반환합니다. 주요 예측 필드는 포즈 좌표를 나타내는 result.keypoints과 해당 키포인트가 속한 감지 인스턴스를 나타내는 result.boxes입니다.

모든 작업에서 작업별 Results 필드를 확인하려면 작업별 예측 결과 섹션을 참조하세요.

키포인트 인덱스 맵#

기본 YOLO26 Pose 모델은 COCO 키포인트 17개를 예측하므로, result.keypoints.xy[:, k]에서 인덱스 k은 다음을 나타냅니다.

0. 코
1. 왼쪽 눈
2. 오른쪽 눈
3. 왼쪽 귀
4. 오른쪽 귀
5. 왼쪽 어깨
6. 오른쪽 어깨
7. 왼쪽 팔꿈치
8. 오른쪽 팔꿈치
9. 왼쪽 손목
10. 오른쪽 손목
11. 왼쪽 엉덩이
12. 오른쪽 엉덩이
13. 왼쪽 무릎
14. 오른쪽 무릎
15. 왼쪽 발목
16. 오른쪽 발목

내보내기#

YOLO26n-pose 모델을 ONNX, CoreML 등의 다른 형식으로 내보냅니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-pose.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델을 내보냅니다
model.export(format="onnx")

사용 가능한 YOLO26-pose 내보내기 형식은 아래 표에 나와 있습니다. format 인수를 사용하여 어떤 형식으로든 내보낼 수 있습니다(예: format='onnx' 또는 format='engine'). 내보낸 모델에서 바로 예측을 수행하거나 검증할 수도 있습니다(예: yolo predict model=yolo26n-pose.onnx). 내보내기가 완료되면 모델에 사용할 수 있는 예제가 표시됩니다.

nms=None은 외부 NMS를 위한 원시 출력을 기본값으로 사용합니다. 사용 가능한 NMS-free head를 선택하려면 nms=False을 설정합니다. 지원되지 않는 형식은 해당 형식의 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True을 사용해 NMS를 포함할 수 있는 형식을 나타냅니다.

자세한 export 내용은 내보내기 페이지를 참조하세요.

자주 묻는 질문#