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.
Kijken: Schatting van de houding met Ultralytics YOLOv8 . |
Kijken: Schatting van de houding met Ultralytics HUB. |
Tip
YOLOv8 houding modellen gebruiken de -pose
achtervoegsel, dus yolov8n-pose.pt
. Deze modellen worden getraind op de COCO kernpunten dataset en zijn geschikt voor een verscheidenheid aan pose-schattingstaken.
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.
Model | grootte (pixels) |
mAPpose 50-95 |
mAPpose 50 |
Snelheid CPU ONNX (ms) |
Snelheid A100 TensorRT (ms) |
params (M) |
FLOP's (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 waarden zijn voor één model met één schaal op COCO Kernpunten val2017 dataset.
Reproduceren dooryolo val pose data=coco-pose.yaml device=0
- Snelheid gemiddeld over COCO-valbeelden met behulp van een Amazon EC2 P4d voorbeeld.
Reproduceren dooryolo val pose data=coco8-pose.yaml batch=1 device=0|cpu
Trein
Train een YOLOv8-pose model op de COCO128-pose dataset.
Voorbeeld
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.
Voorbeeld
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
Voorspel
Gebruik een getraind YOLOv8n-pose model om voorspellingen op afbeeldingen uit te voeren.
Voorbeeld
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.
Voorbeeld
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.
Formaat | format Argument |
Model | Metagegevens | Argumenten |
---|---|---|---|---|
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 Rand 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 |
Bekijk volledig export
details in de Exporteer pagina.
Aangemaakt 2023-11-12, Bijgewerkt 2024-04-27
Auteurs: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1), AyushExel (1), Laughing-q (1)