Estimativa de pose com Ultralytics YOLO#

A estimativa de pose é uma tarefa que envolve identificar a localização de pontos específicos numa imagem, normalmente chamados de pontos-chave. Os pontos-chave podem representar várias partes do objeto, como articulações, marcos ou outras características distintas. As localizações dos pontos-chave são normalmente representadas como um conjunto de coordenadas 2D [x, y], opcionalmente com um sinalizador de visibilidade [x, y, visible].

A saída de um modelo de estimativa de pose é um conjunto de pontos que representam os pontos-chave de um objeto na imagem, normalmente acompanhado pelas pontuações de confiança de cada ponto. A estimativa de pose é uma boa escolha quando precisas de identificar partes específicas de um objeto numa cena e a respetiva localização em relação umas às outras.

Modelos#

Os modelos de pose pré-treinados do Ultralytics YOLO26 são apresentados aqui. Os modelos Detect, Segment e Pose são pré-treinados no conjunto de dados COCO, os modelos Semantic são pré-treinados no Cityscapes e os modelos Classify são pré-treinados no conjunto de dados ImageNet.

Os modelos são descarregados automaticamente da versão mais recente da Ultralytics na primeira utilização.

• Os valores de mAP^val correspondem a um único modelo e a uma única escala no conjunto de dados COCO Keypoints val2017.
  Reproduz com yolo val pose data=coco-pose.yaml device=0 nms=False
• A velocidade é calculada como a média das imagens COCO val utilizando uma instância Amazon EC2 P4d.
  Reproduza com yolo val pose data=coco-pose.yaml batch=1 device=0|cpu nms=False
• Os valores de Params e FLOPs são para modelos fundidos após a dobragem de Conv/BatchNorm e a remoção da ramificação de deteção não utilizada. Os pontos de controlo pré-treinados retêm a arquitetura de treino completa e podem apresentar contagens mais elevadas.

Vê a pré-visualização não lançada do YOLO27 para resultados preliminares de pontos-chave COCO.

Treinar#

Treina um modelo YOLO26-pose no conjunto de dados COCO8-pose. O conjunto de dados COCO8-pose é um pequeno conjunto de dados de exemplo, perfeito para testar e depurar os teus modelos de estimativa de pose.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.yaml")  # build a new model from YAML
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # build from YAML and transfer weights

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

Consulta todos os detalhes do modo train na página Train. Também podes treinar modelos de pose com o treino na nuvem da Ultralytics Platform.

Formato do dataset#

O formato do conjunto de dados de pose YOLO pode ser encontrado em detalhe no Dataset Guide. Para converter um conjunto de dados JSON do COCO keypoints existente para o formato YOLO, usa a função convert_coco integrada com use_keypoints=True, conforme descrito no COCO to YOLO guide. A Ultralytics Platform annotation também suporta rótulos de pose com modelos de esqueleto integrados para pessoa, mão, rosto e layouts de pontos-chave personalizados.

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

Validação#

Valida a precisão do modelo YOLO26n-pose treinado no conjunto de dados COCO8-pose. Não são necessários argumentos, pois model mantém os seus data de treino e os argumentos como atributos do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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 containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary for box with precision, recall, F1, TP, FP, and FN
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # a list containing mAP50-95(P) for each category
metrics.pose.image_metrics  # per-image metrics dictionary for pose with precision, recall, F1, TP, FP, and FN

Previsão#

Utiliza um modelo YOLO26n-pose treinado para executar previsões em imagens. O modo predict permite fazer inferência em imagens, vídeos ou fluxos em tempo real.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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)

Consulta todos os detalhes do modo predict na página Predict.

Saída dos resultados#

A estimativa de pose devolve um objeto Results por imagem. Os principais campos de previsão são result.keypoints para as coordenadas de pose e result.boxes para as instâncias detetadas às quais esses pontos-chave pertencem.

Para consultar os campos Results específicos da tarefa em todas as tarefas, vê a secção Resultados de Previsão por Tarefa.

Exportação#

Exporta um modelo YOLO26n Pose para um formato diferente, como ONNX, CoreML, entre outros. Isto permite implementar o teu modelo em várias plataformas e dispositivos para inferência em tempo real.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

Os formatos de exportação YOLO26-pose disponíveis encontram-se na tabela abaixo. Podes exportar para qualquer formato utilizando o argumento format, ou seja, format='onnx' ou format='engine'. Podes fazer previsões ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolo26n-pose.onnx. Os exemplos de utilização são apresentados para o teu modelo após a conclusão da exportação.

nms=None por padrão utiliza saídas brutas para NMS externo. Define nms=False para selecionar uma cabeça livre de NMS disponível; os formatos não suportados recorrem ao seu caminho de saída nativo. As entradas nms acima identificam formatos que podem incorporar NMS com nms=True.

Consulta todos os detalhes de export na página Export.

Perguntas frequentes#