Schatting van de houding

Het schatten van de houding is een taak waarbij de locatie van specifieke punten in een afbeelding, meestal sleutelpunten genoemd, wordt geïdentificeerd. De toetspunten kunnen verschillende delen van het object vertegenwoordigen, zoals gewrichten, herkenningspunten of andere onderscheidende kenmerken. De locaties van de toetspunten worden meestal weergegeven als een set 2D [x, y] of 3D [x, y, visible] coördinaten.

De uitvoer van een model voor het schatten van de houding is een verzameling punten die de sleutelpunten op een object in de afbeelding vertegenwoordigen, meestal samen met de betrouwbaarheidsscores voor elk punt. Pose estimation is een goede keuze als je specifieke delen van een object in een scène moet identificeren, en hun locatie ten opzichte van elkaar.

Modellen

YOLOv8 voorgetrainde Pose-modellen worden hier getoond. Detect, Segment en Pose modellen zijn voorgetraind op de COCO dataset, terwijl Classify modellen zijn voorgetraind op de ImageNet dataset.

Modellen worden bij het eerste gebruik automatisch gedownload van de nieuwste Ultralytics release.

• ^mAPval waarden zijn voor één model met één schaal op COCO Kernpunten val2017 dataset.
  Reproduceren door yolo val pose data=coco-pose.yaml device=0
• Snelheid gemiddeld over COCO-valbeelden met behulp van een Amazon EC2 P4d voorbeeld.
  Reproduceren door yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Trein

Train een YOLOv8-pose model op de COCO128-pose dataset.

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

Formaat dataset

YOLO Het formaat van de pose dataset is in detail te vinden in de Dataset Gids. Om je bestaande dataset van andere formaten (zoals COCO etc.) te converteren naar het YOLO formaat, gebruik je het JSON2YOLO hulpmiddel van Ultralytics.

Val

Valideer de nauwkeurigheid van het getrainde YOLOv8n-pose model op de COCO128 -pose dataset. Er hoeft geen argument te worden doorgegeven als de model behoudt zijn opleiding data en argumenten als modelattributen.

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

Voorspel

Gebruik een getraind YOLOv8n-pose model om voorspellingen op afbeeldingen uit te voeren.

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

Bekijk volledig predict details over de modus in de Voorspel pagina.

Exporteer

Exporteer een YOLOv8n Pose model naar een ander formaat zoals ONNX, CoreML, enz.

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

Beschikbare YOLOv8-pose exportformaten staan in de tabel hieronder. Je kunt naar elk formaat exporteren met de format argument, d.w.z. format='onnx' of format='engine'. Je kunt direct voorspellen of valideren op geëxporteerde modellen, d.w.z. yolo predict model=yolov8n-pose.onnx. Gebruiksvoorbeelden worden getoond voor je model nadat het exporteren is voltooid.

Bekijk volledig export details in de Exporteer pagina.

Reacties