Salta para o conte√ļdo

Estimativa de pose

Exemplos de estimativas de pose

A estimativa da pose √© uma tarefa que envolve a identifica√ß√£o da localiza√ß√£o de pontos espec√≠ficos numa imagem, normalmente designados por pontos-chave. Os pontos-chave podem representar v√°rias partes do objeto, como articula√ß√Ķes, pontos de refer√™ncia ou outras caracter√≠sticas distintivas. As localiza√ß√Ķes dos pontos-chave s√£o 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 √© um conjunto de pontos que representam os pontos-chave de um objeto na imagem, normalmente juntamente com as pontua√ß√Ķes de confian√ßa para cada ponto. A estimativa de pose √© uma boa escolha quando √© necess√°rio identificar partes espec√≠ficas de um objeto numa cena e a sua localiza√ß√£o em rela√ß√£o umas √†s outras.



Observa: Estimativa de pose com Ultralytics YOLOv8 .

Dica

YOLOv8 pose utiliza o modelo -pose sufixo, ou seja yolov8n-pose.pt. Estes modelos s√£o treinados no Pontos-chave do COCO e s√£o adequados para uma variedade de tarefas de estimativa de pose.

Modelos

YOLOv8 Os modelos Pose pré-treinados 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 recente de Ultralytics na primeira utilização.

Modelo tamanho
(pixéis)
mAPpose
50-95
mAPpose
50
Velocidade
CPU ONNX
(ms)
Velocidade
A100 TensorRT
(ms)
params
(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 Os valores s√£o para um modelo √ļnico de escala √ļnica em Pontos-chave da COCO val2017 conjunto de dados.
    Reproduzir por yolo val pose data=coco-pose.yaml device=0
  • Velocidade calcula a m√©dia das imagens COCO val utilizando uma Amazon EC2 P4d inst√Ęncia.
    Reproduzir por yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Comboio

Treina um modelo YOLOv8-pose no conjunto de dados COCO128-pose.

Exemplo

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

Formato do conjunto de dados

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

Val

Valida a precisão do modelo YOLOv8n-pose treinado no conjunto de dados COCO128-pose. Não é necessário passar nenhum argumento como o model mantém a sua formação data e argumentos como atributos do modelo.

Exemplo

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

Prevê

Utiliza um modelo YOLOv8n treinado para executar previs√Ķes em imagens.

Exemplo

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

Ver completo predict detalhes do modo no Prevê página.

Exportação

Exporta um modelo YOLOv8n Pose para um formato diferente como ONNX, CoreML, etc.

Exemplo

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

Os formatos de exportação disponíveis em YOLOv8-pose encontram-se na tabela abaixo. Podes prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolov8n-pose.onnx. São apresentados exemplos de utilização para o teu modelo após a conclusão da exportação.

Formato format Argumenta Modelo Metadados Argumentos
PyTorch - yolov8n-pose.pt ‚úÖ -
TorchScript torchscript yolov8n-pose.torchscript ‚úÖ imgsz, optimize
ONNX onnx yolov8n-pose.onnx ‚úÖ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-pose_openvino_model/ ‚úÖ imgsz, half, int8
TensorRT engine yolov8n-pose.engine ‚úÖ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-pose.mlpackage ‚úÖ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-pose_saved_model/ ‚úÖ imgsz, keras
TF GraphDef pb yolov8n-pose.pb ‚ĚĆ imgsz
TF Leve tflite yolov8n-pose.tflite ‚úÖ imgsz, half, int8
TF Borda TPU edgetpu yolov8n-pose_edgetpu.tflite ‚úÖ imgsz
TF.js tfjs yolov8n-pose_web_model/ ‚úÖ imgsz, half, int8
PaddlePaddle paddle yolov8n-pose_paddle_model/ ‚úÖ imgsz
ncnn ncnn yolov8n-pose_ncnn_model/ ‚úÖ imgsz, half

Ver completo export detalhes no Exportação página.



Criado em 2023-11-12, Atualizado em 2024-02-03
Autores: glenn-jocher (10), AyushExel (1), Laughing-q (1)

Coment√°rios