포즈 추정

포즈 추정은 이미지에서 특정 지점의 위치를 식별하는 작업으로, 일반적으로 키포인트라고 합니다. 키포인트는 관절, 랜드마크 또는 기타 특징적인 특징과 같은 물체의 다양한 부분을 나타낼 수 있습니다. 키포인트의 위치는 일반적으로 일련의 2D [x, y] 또는 3D [x, y, visible] 좌표입니다.

포즈 추정 모델의 출력은 일반적으로 각 포인트에 대한 신뢰 점수와 함께 이미지에서 객체의 키포인트를 나타내는 포인트 집합입니다. 포즈 추정은 장면에서 객체의 특정 부분과 서로에 대한 위치를 식별해야 할 때 좋은 선택입니다.

모델

YOLOv8 사전 학습된 포즈 모델이 여기에 나와 있습니다. 감지, 세그먼트 및 포즈 모델은 COCO 데이터 세트에 대해 사전 학습된 반면, 분류 모델은 ImageNet 데이터 세트에 대해 사전 학습되었습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• ^mAPval 값은 단일 모델 단일 스케일에 대한 것입니다. COCO 키포인트 val2017 데이터 세트.
  복제 대상 yolo val pose data=coco-pose.yaml device=0
• 속도 를 사용하여 COCO 값 이미지에 대한 평균을 구합니다. Amazon EC2 P4d 인스턴스.
  복제 대상 yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

기차

COCO128 포즈 데이터 세트에 대해 YOLOv8-pose 모델을 학습시킵니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.yaml")  # build a new model from YAML
model = YOLO("yolov8n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-pose.yaml").load("yolov8n-pose.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640

데이터 집합 형식

YOLO 포즈 데이터셋 형식은 데이터셋 가이드에서 자세히 확인할 수 있습니다. 기존 데이터셋을 다른 형식(예: COCO 등)에서 YOLO 형식으로 변환하려면 JSON2YOLO 도구( Ultralytics)를 사용하세요.

Val

COCO128 포즈 데이터 세트에 대해 학습된 YOLOv8n-pose 모델 정확도를 검증합니다. 인수는 전달할 필요가 없습니다. model 교육 유지 data 및 인수를 모델 속성으로 사용합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 contains map50-95 of each category

yolo pose val model=yolov8n-pose.pt  # val official model
yolo pose val model=path/to/best.pt  # val custom model

예측

학습된 YOLOv8n-pose 모델을 사용하여 이미지에 대한 예측을 실행합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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

yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

전체 보기 predict 모드 세부 정보에서 예측 페이지로 이동합니다.

내보내기

YOLOv8n 포즈 모델을 ONNX, CoreML 등과 같은 다른 형식으로 내보냅니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolov8n-pose.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

사용 가능 YOLOv8-내보내기 형식은 아래 표에 나와 있습니다. 내보내는 형식은 format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 유효성을 검사할 수 있습니다. yolo predict model=yolov8n-pose.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

전체 보기 export 세부 정보에서 내보내기 페이지로 이동합니다.

자주 묻는 질문

포즈 추정( Ultralytics YOLOv8 )이란 무엇이며 어떻게 작동하나요?

Ultralytics YOLOv8 을 사용한 포즈 추정에는 이미지에서 키포인트라고 하는 특정 지점을 식별하는 작업이 포함됩니다. 이러한 키포인트는 일반적으로 관절이나 객체의 다른 중요한 특징을 나타냅니다. 출력에는 다음이 포함됩니다. [x, y] 좌표와 각 포인트에 대한 신뢰도 점수를 제공합니다. YOLOv8-모델은 이 작업을 위해 특별히 설계되었으며 -pose 접미사와 같은 yolov8n-pose.pt. 이러한 모델은 다음과 같은 데이터 세트에 대해 사전 학습됩니다. COCO 키포인트 다양한 포즈 추정 작업에 사용할 수 있습니다. 자세한 내용은 포즈 추정 페이지.

사용자 지정 데이터 집합에서 YOLOv8-pose 모델을 학습하려면 어떻게 해야 하나요?

사용자 지정 데이터 세트에서 YOLOv8-pose 모델을 학습하려면 YAML 파일로 정의된 새 모델이나 사전 학습된 모델 중 하나를 로드해야 합니다. 그런 다음 지정된 데이터 세트와 매개 변수를 사용하여 학습 프로세스를 시작할 수 있습니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.yaml")  # build a new model from YAML
model = YOLO("yolov8n-pose.pt")  # load a pretrained model (recommended for training)

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

교육에 대한 자세한 내용은 교육 섹션을 참조하세요.

훈련된 YOLOv8-pose 모델의 유효성을 검사하려면 어떻게 하나요?

YOLOv8-pose 모델의 유효성 검사에는 학습 중에 유지된 동일한 데이터 세트 매개 변수를 사용하여 정확도를 평가하는 것이 포함됩니다. 다음은 예시입니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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

자세한 내용은 Val 섹션을 참조하세요.

YOLOv8-pose 모델을 다른 형식으로 내보낼 수 있으며 그 방법은 무엇인가요?

예, YOLOv8-pose 모델을 ONNX, CoreML, TensorRT 등과 같은 다양한 형식으로 내보낼 수 있습니다. 이 작업은 Python 또는 명령줄 인터페이스(CLI)를 사용하여 수행할 수 있습니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

자세한 내용은 내보내기 섹션을 참조하세요.

사용 가능한 Ultralytics YOLOv8 -pose 모델과 해당 성능 지표는 무엇인가요?

Ultralytics YOLOv8 YOLOv8n-pose, -pose, -pose 등 다양한 사전 학습된 포즈 모델을 제공합니다. 이러한 모델은 크기, 정확도(mAP) 및 속도가 다릅니다. 예를 들어 -pose 모델은 YOLOv8s YOLOv8m YOLOv8n^{mAPpose50-95의}50.4와 ^mAPpose50의80.1을 달성합니다. 전체 목록과 성능에 대한 자세한 내용은 모델 섹션을 참조하세요.

댓글