Estimativa 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 características 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.
Observa: Estimativa de pose com Ultralytics YOLOv8 . |
Observa: Estimativa de pose com Ultralytics HUB. |
Dica
YOLOv8 pose utiliza o modelo -pose
sufixo, ou seja yolov8n-pose.pt
. Estes modelos são treinados no Pontos-chave do COCO e são 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 são para o modelo único de escala única em Pontos-chave da COCO val2017 conjunto de dados.
Reproduzir poryolo val pose data=coco-pose.yaml device=0
- Velocidade calcula a média das imagens COCO val utilizando um Amazon EC2 P4d instância.
Reproduzir poryolo 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
Prevê
Utiliza um modelo YOLOv8n treinado para executar previsões em imagens.
Exemplo
Ver completo predict
detalhes do modo no Prevê página.
Exportação
Exporta um modelo YOLOv8n Pose para um formato diferente como ONNX, CoreML, etc.
Exemplo
Os formatos de exportação disponíveis em YOLOv8-pose encontram-se na tabela abaixo. Podes exportar para qualquer formato utilizando o botão format
argumento, ou seja format='onnx'
ou format='engine'
. 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 |
✅ | - |
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 Leve | tflite |
yolov8n-pose.tflite |
✅ | imgsz , half , int8 , batch |
TF Borda 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 |
Ver completo export
detalhes no Exportação página.
Criado em 2023-11-12, Atualizado em 2024-04-27
Autores: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1), AyushExel (1), Laughing-q (1)