Salta 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 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: Pose Estimation with Ultralytics YOLO.

Observa: Estimativa de pose com Ultralytics HUB.

Dica

YOLO11 pose utiliza o modelo -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.

In the default YOLO11 pose model, there are 17 keypoints, each representing a different part of the human body. Here is the mapping of each index to its respective body joint:

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 pretrained Pose models are shown here. Detect, Segment and Pose models are pretrained on the COCO dataset, while Classify models are pretrained on the ImageNet dataset.

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)
Speed
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 Os valores são para o modelo único de escala única em Pontos-chave da COCO val2017 conjunto de dados.
    Reproduzir por yolo val pose data=coco-pose.yaml device=0
  • Velocidade calcula a 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

Train a YOLO11-pose model on the COCO8-pose dataset.

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 teu conjunto de dados existente de outros formatos (como COCO, etc.) para o formato YOLO , utiliza a ferramenta JSON2YOLO em Ultralytics.

Val

Validate trained YOLO11n-pose model accuracy on the COCO8-pose dataset. No arguments are needed as the 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

Prevê

Use a trained YOLO11n-pose model to run predictions on images.

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 Prevê página.

Exportação

Export a YOLO11n Pose model to a different format like 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

Available YOLO11-pose export formats are in the table below. You can export to any format using the format argumento, ou seja format='onnx' ou format='engine'. Podes prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolo11n-pose.onnx. São apresentados exemplos de utilização para o teu modelo após a conclusão da exportação.

Formato format Argumenta 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
NCNN ncnn yolo11n-pose_ncnn_model/ imgsz, half, batch

Ver completo export detalhes no Exportação página.

FAQ

What is Pose Estimation with Ultralytics YOLO11 and how does it work?

Pose estimation with Ultralytics YOLO11 involves identifying specific points, known as keypoints, in an image. These keypoints typically represent joints or other important features of the object. The output includes the [x, y] coordinates and confidence scores for each point. YOLO11-pose models are specifically designed for this task and use the -pose sufixo, como por exemplo 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, visita a página Página de estimativa de pose.

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

Training a YOLO11-pose model on a custom dataset involves loading a model, either a new model defined by a YAML file or a pre-trained model. You can then start the training process using your specified dataset and parameters.

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, consulta a secção Formar.

How do I validate a trained YOLO11-pose model?

Validation of a YOLO11-pose model involves assessing its accuracy using the same dataset parameters retained during training. Here's an example:

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, visita a secção Val.

Can I export a YOLO11-pose model to other formats, and how?

Yes, you can export a YOLO11-pose model to various formats like ONNX, CoreML, TensorRT, and more. This can be done using either Python or the Command Line Interface (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, consulta a secção Exportação.

What are the available Ultralytics YOLO11-pose models and their performance metrics?

Ultralytics YOLO11 offers various pretrained pose models such as YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, among others. These models differ in size, accuracy (mAP), and speed. For instance, the YOLO11n-pose model achieves a mAPpose50-95 of 50.4 and an mAPpose50 of 80.1. For a complete list and performance details, visit the Models Section.


📅 Created 11 months ago ✏️ Updated 1 day ago

Comentários