포즈 추정

포즈 추정 예시

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.

Watch: 포즈 추정 Ultralytics YOLOv8 .

Watch: 포즈 추정을 위한 Ultralytics HUB.

팁

YOLOv8 포즈 모델은 -pose 접미사, 즉 yolov8n-pose.pt. 이 모델은 COCO 키포인트 데이터 세트를 사용하며 다양한 포즈 추정 작업에 적합합니다.

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.

모델	크기 ^(픽셀)	mAPpose^50-95	mAPpose⁵⁰	속도 ^{CPU ONNX (ms)}	속도 A100^{TensorRT (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLOv8n-pose	640	50.4	80.1	131.8	1.18	3.3	9.2
YOLOv8s-pose	640	60.0	86.2	233.2	1.42	11.6	30.2
YOLOv8m-pose	640	65.0	88.8	456.3	2.00	26.4	81.0
YOLOv8l-pose	640	67.6	90.0	784.5	2.59	44.4	168.6
YOLOv8x-pose	640	69.2	90.2	1607.1	3.73	69.4	263.2
YOLOv8x-pose-p6	1280	71.6	91.2	4088.7	10.04	99.1	1066.4

^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.

예

PythonCLI

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 데이터 세트 형식은 데이터 세트 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 교육을 유지합니다. data 및 인수를 모델 속성으로 사용합니다.

예

PythonCLI

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.

예

PythonCLI

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.

예

PythonCLI

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 검증할 수 있습니다. yolo predict model=yolov8n-pose.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

형식	`format` 인수	모델	메타데이터	인수
PyTorch	-	`yolov8n-pose.pt`	✅	-
TorchScript	`torchscript`	`yolov8n-pose.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolov8n-pose.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolov8n-pose_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolov8n-pose.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `batch`
CoreML	`coreml`	`yolov8n-pose.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolov8n-pose_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolov8n-pose.pb`	❌	`imgsz`, `batch`
TF Lite	`tflite`	`yolov8n-pose.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Edge TPU	`edgetpu`	`yolov8n-pose_edgetpu.tflite`	✅	`imgsz`, `batch`
TF.js	`tfjs`	`yolov8n-pose_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolov8n-pose_paddle_model/`	✅	`imgsz`, `batch`
NCNN	`ncnn`	`yolov8n-pose_ncnn_model/`	✅	`imgsz`, `half`, `batch`

전체 보기 export 세부 정보에서 내보내기 페이지로 이동합니다.

2023-11-12 생성, 2024-04-27 업데이트됨
작성자: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1), AyushExel (1), Laughing-q (1)

포즈 추정

모델

기차

데이터 집합 형식

Val

예측

내보내기

댓글