Saltar para o conteúdo

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:

0: Nariz 1: Olho esquerdo 2: Olho direito 3: Orelha esquerda 4: Orelha direita 5: Ombro esquerdo 6: Ombro direito 7: Cotovelo esquerdo 8: Cotovelo direito 9: Pulso esquerdo 10: Pulso direito 11: Quadril esquerdo 12: Quadril direito 13: Joelho esquerdo 14: Joelho direito 15: Tornozelo esquerdo 16: Tornozelo direito

Modelos

YOLO11 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 recentede Ultralytics na primeira utilização.

Modelo tamanho
(pixéis)
mAPpose
50-95
mAPpose
50
Velocidade
CPU ONNX
(ms)
Velocidade
T4TensorRT10
(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

Treinar um modelo YOLO11-pose no conjunto de dados COCO8-pose.

Exemplo

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

YOLO O formato do conjunto de dados 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 em Ultralytics.

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

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 executar previsões em imagens.

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

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
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.

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 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, batch
ONNX onnx yolo11n-pose.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n-pose_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolo11n-pose.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n-pose.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n-pose_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolo11n-pose.pb imgsz, batch
TF Leve tflite yolo11n-pose.tflite imgsz, half, int8, batch
TF Borda TPU edgetpu yolo11n-pose_edgetpu.tflite imgsz
TF.js tfjs yolo11n-pose_web_model/ imgsz, half, int8, 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

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 mais informações sobre a formação, consulte a secção Formar.

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")

Para mais informações, consulte a secção Exportação.

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

Ultralytics YOLO11 oferece vários modelos de pose pré-treinados, como YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, entre outros. Estes modelos diferem em termos de tamanho, exatidão (mAP) e velocidade. Por exemplo, o modelo YOLO11n-pose atinge um mAPpose50-95de 50,4 e um mAPpose50de 80,1. Para obter uma lista completa e detalhes de desempenho, visite a secção Modelos.

📅C riado há 1 ano ✏️ Atualizado há 13 dias

Comentários