Ultralytics YOLO를 사용한 포즈 추정#

포즈 추정은 일반적으로 키포인트라고 하는 이미지 내 특정 지점의 위치를 식별하는 작업입니다. 키포인트는 관절, 랜드마크 또는 기타 식별 가능한 특징과 같은 객체의 다양한 부분을 나타낼 수 있습니다. 키포인트의 위치는 일반적으로 2D [x, y] 좌표 집합으로 표현하며, 선택적으로 가시성 플래그 [x, y, visible]을 포함할 수 있습니다.

포즈 추정 모델의 출력은 이미지 내 객체의 키포인트를 나타내는 점 집합이며, 일반적으로 각 점에 대한 confidence score도 함께 포함됩니다. 장면에서 객체의 특정 부분과 서로 간의 위치를 식별해야 할 때 포즈 추정을 사용하면 좋습니다.

모델#

Ultralytics YOLO26 사전 학습 Pose 모델은 다음과 같습니다. Detect, Segment 및 Pose 모델은 COCO 데이터셋으로 사전 학습되며, Semantic 모델은 Cityscapes로, Classify 모델은 ImageNet 데이터셋으로 사전 학습됩니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^val 값은 COCO Keypoints val2017 데이터셋에서 단일 모델, 단일 스케일로 측정한 값입니다.
  yolo val pose data=coco-pose.yaml device=0 nms=False로 재현할 수 있습니다.
• Speed는 Amazon EC2 P4d 인스턴스를 사용하여 COCO val 이미지에 대해 평균을 낸 값입니다.
  yolo val pose data=coco-pose.yaml batch=1 device=0|cpu nms=False로 재현할 수 있습니다.
• Params 및 FLOPs 값은 Conv/BatchNorm 융합 및 사용되지 않는 탐지 브랜치 제거 이후의 융합된 모델 기준입니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 나타낼 수 있습니다.

예비 COCO 키포인트 결과를 확인하려면 출시 전 YOLO27 미리보기를 참조하세요.

학습#

COCO8-pose 데이터셋으로 YOLO26-pose 모델을 학습합니다. COCO8-pose 데이터셋은 포즈 추정 모델을 테스트하고 디버깅하는 데 적합한 소규모 샘플 데이터셋입니다.

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 페이지에서 전체 train 모드 세부 정보를 확인할 수 있습니다. Pose 모델은 Ultralytics Platform 클라우드 학습을 사용하여 학습할 수도 있습니다.

데이터셋 형식#

YOLO pose dataset format can be found in detail in the Dataset Guide. To convert an existing COCO keypoints JSON dataset to YOLO format, use the built-in convert_coco function with use_keypoints=True, as described in the COCO to YOLO guide. Ultralytics Platform annotation also supports pose labels with built-in skeleton templates for person, hand, face, and custom keypoint layouts.

사용자 지정 포즈 추정 작업의 경우 동물 포즈 추정을 위한 Tiger-Pose, 손 추적을 위한 Hand Keypoints, 또는 개의 포즈 분석을 위한 Dog-Pose와 같은 특화 데이터셋을 살펴볼 수도 있습니다.

검증#

COCO8-pose 데이터셋에서 학습된 YOLO26n-pose 모델의 accuracy를 검증합니다. model은 학습 data 및 인수를 모델 속성으로 유지하므로 인수를 지정할 필요가 없습니다.

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

Prediction#

학습된 YOLO26n-pose 모델을 사용하여 이미지에 대한 예측을 실행합니다. predict mode를 사용하면 이미지, 동영상 또는 실시간 스트림에 대한 추론을 수행할 수 있습니다.

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)

전체 predict mode 세부 정보는 Predict 페이지를 참조하십시오.

결과 출력#

포즈 추정은 이미지당 하나의 Results 객체를 반환합니다. 주요 예측 필드는 포즈 좌표를 위한 result.keypoints과 해당 키포인트가 속한 감지된 인스턴스를 위한 result.boxes입니다.

모든 task에서 task-specific Results field를 확인하려면 Predict Results by Task 섹션을 참조하십시오.

내보내기#

YOLO26n Pose 모델을 ONNX, CoreML 등 다른 형식으로 내보냅니다. 이를 통해 다양한 플랫폼과 디바이스에 모델을 배포하여 실시간 추론을 수행할 수 있습니다.

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")

사용 가능한 YOLO26-pose 내보내기 형식은 다음 표에 나와 있습니다. format 인수를 사용하여 모든 형식으로 내보낼 수 있으며, 예를 들어 format='onnx' 또는 format='engine'를 사용할 수 있습니다. 내보낸 모델에서 직접 예측하거나 검증할 수도 있으며, 예를 들어 yolo predict model=yolo26n-pose.onnx을 사용할 수 있습니다. 내보내기가 완료되면 모델에 대한 사용 예제가 표시됩니다.

nms=None은(는) 외부 NMS에 대해 기본적으로 원시 출력을 사용합니다. 사용 가능한 NMS 프리 헤드를 선택하려면 nms=False을(를) 설정하세요. 지원되지 않는 형식은 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True(으)로 NMS를 임베드할 수 있는 형식을 식별합니다.

전체 export 세부 정보는 Export 페이지를 참조하십시오.

FAQ#