Estimativa de pose

Q: How can I train a YOLO11-pose model on a custom dataset?

O treinamento de um modelo YOLO11 em um conjunto de dados personalizado envolve o carregamento de um modelo, seja um novo modelo definido por um arquivo YAML ou um modelo pré-treinado. Em seguida, é possível iniciar o processo de treinamento usando o conjunto de dados e os parâmetros especificados. Para obter detalhes abrangentes sobre o treino, consulte a secção Treinar. Também é possível usar o Ultralytics HUB para uma abordagem sem código para treinar modelos personalizados de estimativa de pose.

Exemplos de estimativas de pose

A estimativa da pose é uma tarefa que envolve a identificação da localização de pontos específicos numa imagem, normalmente designados por pontos-chave. Os pontos-chave podem representar várias partes do objeto, como articulações, pontos de referência ou outras caraterísticas distintivas. As localizações dos pontos-chave são normalmente representadas como um conjunto de imagens 2D [x, y] ou 3D [x, y, visible] coordenadas.

O resultado de um modelo de estimativa de pose é um conjunto de pontos que representam os pontos-chave de um objeto na imagem, normalmente juntamente com as pontuações de confiança para cada ponto. A estimativa de pose é uma boa escolha quando é necessário identificar partes específicas de um objeto numa cena e a sua localização em relação umas às outras.

Ver: Ultralytics YOLO11 Tutorial de estimativa de pose | Rastreamento de objetos em tempo real e deteção de pose humana

Dica

YOLO11 pose modelos utilizam o -pose sufixo, ou seja yolo11n-pose.pt. Estes modelos são treinados no Pontos-chave do COCO e são adequados para uma variedade de tarefas de estimativa de pose.

No modelo de pose predefinido YOLO11 , existem 17 pontos-chave, cada um representando uma parte diferente do corpo humano. Aqui está o mapeamento de cada índice para a respectiva articulação do corpo:

Nariz
Olho esquerdo
Olho direito
Orelha esquerda
Orelha direita
Ombro esquerdo
Ombro direito
Cotovelo esquerdo
Cotovelo direito
Pulso esquerdo
Pulso direito
Anca esquerda
Anca direita
Joelho esquerdo
Joelho direito
Tornozelo esquerdo
Tornozelo direito

Modelos

Os modelos Pose pré-treinados Ultralytics YOLO11 são mostrados aqui. Os modelos Detetar, Segmentar e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classificar são pré-treinados no conjunto de dados ImageNet.

Os modelos são transferidos automaticamente a partir daversão mais recentede Ultralytics na primeira utilização.

Modelo	tamanho ^(pixéis)	mAPpose^50-95	mAPpose⁵⁰	Velocidade ^{CPU ONNX (ms)}	Velocidade T4^{TensorRT10 (ms)}	params ^(M)	FLOPs ^(B)
YOLO11n-pose	640	50.0	81.0	52.4 ± 0.5	1.7 ± 0.0	2.9	7.6
YOLO11s-pose	640	58.9	86.3	90.5 ± 0.6	2.6 ± 0.0	9.9	23.2
YOLO11m-pose	640	64.9	89.4	187.3 ± 0.8	4.9 ± 0.1	20.9	71.7
YOLO11l-pose	640	66.1	89.9	247.7 ± 1.1	6.4 ± 0.1	26.2	90.7
YOLO11x-pose	640	69.5	91.1	488.0 ± 13.9	12.1 ± 0.2	58.8	203.3

^mAPval são valores para modelo único e escala única em Pontos-chave da COCO val2017 conjunto de dados.
Reproduzir por yolo val pose data=coco-pose.yaml device=0
Velocidade média das imagens COCO val utilizando um Amazon EC2 P4d instância.
Reproduzir por yolo val pose data=coco-pose.yaml batch=1 device=0|cpu

Comboio

Treine um modelo YOLO11 no conjunto de dados COCO8-pose. O conjunto de dados COCO8-pose é um pequeno conjunto de dados de amostra que é perfeito para testar e depurar seus modelos de estimativa de pose.

Exemplo

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.yaml")  # build a new model from YAML
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-pose.yaml").load("yolo11n-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=yolo11n-pose.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-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=yolo11n-pose.yaml pretrained=yolo11n-pose.pt epochs=100 imgsz=640

Formato do conjunto de dados

O formato do conjunto de dados de pose YOLO pode ser consultado em pormenor no Guia do conjunto de dados. Para converter o seu conjunto de dados existente de outros formatos (como COCO, etc.) para o formato YOLO , utilize a ferramenta JSON2YOLO da Ultralytics.

Para tarefas de estimativa de pose personalizadas, também pode explorar conjuntos de dados especializados, como Tiger-Pose para estimativa de pose de animais, Hand Keypoints para seguimento de mãos ou Dog-Pose para análise de pose canina.

Val

Validar o modelo YOLO11n-pose treinado exatidão no conjunto de dados COCO8-pose. Não são necessários argumentos, uma vez que o model mantém a sua formação data e argumentos como atributos do modelo.

Exemplo

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-pose.pt # val official model
yolo pose val model=path/to/best.pt # val custom model

Prever

Utilize um modelo YOLO11n-pose treinado para efetuar previsões em imagens. O modo de previsão permite-lhe efetuar inferência em imagens, vídeos ou fluxos em tempo real.

Exemplo

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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)

yolo pose predict model=yolo11n-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

Ver completo predict detalhes do modo no Prever página.

Exportação

Exportar um modelo YOLO11n Pose para um formato diferente, como ONNX, CoreML, etc. Isto permite-lhe implementar o seu modelo em várias plataformas e dispositivos para inferência em tempo real.

Exemplo

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-pose.pt format=onnx # export official model
yolo export model=path/to/best.pt format=onnx # export custom trained model

Os formatos de exportação disponíveis em YOLO11-pose encontram-se na tabela abaixo. É possível exportar para qualquer formato utilizando a função format argumento, ou seja format='onnx' ou format='engine'. É possível prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolo11n-pose.onnx. São apresentados exemplos de utilização para o seu modelo após a conclusão da exportação.

Formato	`format` Argumento	Modelo	Metadados	Argumentos
PyTorch	-	`yolo11n-pose.pt`	✅	-
TorchScript	`torchscript`	`yolo11n-pose.torchscript`	✅	`imgsz`, `optimize`, `nms`, `batch`
ONNX	`onnx`	`yolo11n-pose.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `nms`, `batch`
OpenVINO	`openvino`	`yolo11n-pose_openvino_model/`	✅	`imgsz`, `half`, `dynamic`, `int8`, `nms`, `batch`, `data`
TensorRT	`engine`	`yolo11n-pose.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `nms`, `batch`, `data`
CoreML	`coreml`	`yolo11n-pose.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n-pose_saved_model/`	✅	`imgsz`, `keras`, `int8`, `nms`, `batch`
TF GraphDef	`pb`	`yolo11n-pose.pb`	❌	`imgsz`, `batch`
TF Leve	`tflite`	`yolo11n-pose.tflite`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`, `data`
TF Borda TPU	`edgetpu`	`yolo11n-pose_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n-pose_web_model/`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
PaddlePaddle	`paddle`	`yolo11n-pose_paddle_model/`	✅	`imgsz`, `batch`
MNN	`mnn`	`yolo11n-pose.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n-pose_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolo11n-pose_imx_model/`	✅	`imgsz`, `int8`, `data`
RKNN	`rknn`	`yolo11n-pose_rknn_model/`	✅	`imgsz`, `batch`, `name`

Ver completo export pormenores no Exportação página.

FAQ

O que é a estimativa de pose com Ultralytics YOLO11 e como funciona?

A estimativa de pose com Ultralytics YOLO11 envolve a identificação de pontos específicos, conhecidos como pontos-chave, numa imagem. Estes pontos-chave representam normalmente articulações ou outras caraterísticas importantes do objeto. O resultado inclui o [x, y] coordenadas e índices de confiança para cada ponto. YOLO11 Os modelos -pose são especificamente concebidos para esta tarefa e utilizam o -pose sufixo, como yolo11n-pose.pt. Estes modelos são pré-treinados em conjuntos de dados como Pontos-chave do COCO e pode ser utilizado para várias tarefas de estimativa de pose. Para mais informações, visite a página Página de estimativa de pose.

Como posso treinar um modelo YOLO11-pose num conjunto de dados personalizado?

O treinamento de um modelo YOLO11-pose em um conjunto de dados personalizado envolve o carregamento de um modelo, seja um novo modelo definido por um arquivo YAML ou um modelo pré-treinado. Em seguida, é possível iniciar o processo de treinamento usando o conjunto de dados e os parâmetros especificados.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.yaml")  # build a new model from YAML
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

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

Para obter detalhes abrangentes sobre o treino, consulte a secção Treinar. Também é possível usar oUltralytics HUB para uma abordagem sem código para treinar modelos de estimativa de pose personalizados.

Como é que valido um modelo treinado YOLO11-pose?

A validação de um modelo YOLO11-pose consiste em avaliar a sua exatidão utilizando os mesmos parâmetros do conjunto de dados retidos durante a formação. Eis um exemplo:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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

Para mais informações, visite a secção Val.

Posso exportar um modelo YOLO11-pose para outros formatos, e como?

Sim, é possível exportar um modelo YOLO11 para vários formatos, como ONNX, CoreML, TensorRT, entre outros. Isso pode ser feito usando Python ou a interface de linha de comando (CLI).

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

Consulte a secção Exportar para obter mais informações. Os modelos exportados podem ser implementados em dispositivos periféricos para aplicações em tempo real, como o acompanhamento da condição física, a análise desportiva ou a robótica.

Quais são os modelos disponíveis em Ultralytics YOLO11 -pose e os seus indicadores de desempenho?

YOLO11 Ultralytics YOLO11 oferece vários modelos de pose pré-treinados, como YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, entre outros. Esses modelos diferem em tamanho, precisão (mAP) e velocidade. Por exemplo, o modelo YOLO11n-pose atinge um ^mAPpose50-95de 50,0 e um ^mAPpose50de 81,0. Para obter uma lista completa e detalhes de desempenho, visite a secção Modelos.

📅C riado há 1 ano ✏️ Atualizado há 5 dias