Оценка позы с Ultralytics YOLO#

Оценка позы — это задача, в которой определяется расположение конкретных точек на изображении, обычно называемых ключевыми точками. Ключевые точки могут обозначать различные части объекта, например суставы, ориентиры или другие характерные признаки. Их расположение обычно задаётся набором 2D-координат [x, y], при необходимости с флагом видимости [x, y, visible].

Модель оценки позы выдаёт набор точек, обозначающих ключевые точки объекта на изображении, обычно вместе с оценками достоверности для каждой точки. Оценка позы подходит, когда нужно определить конкретные части объекта в сцене и их расположение относительно друг друга.

Модели#

Ниже представлены модели YOLO26 Pose, предобученные на наборе данных ключевых точек COCO.

Модели автоматически загружаются из последнего релиза Ultralytics при первом использовании.

• Значения mAP^val получены для одной модели при одном масштабе на наборе данных COCO Keypoints val2017.
  Воспроизведи результаты с помощью yolo pose val data=coco-pose.yaml device=0 nms=False
• Скорость рассчитана как среднее значение по изображениям COCO val: ONNX на CPU и TensorRT10 на GPU NVIDIA T4.
  Воспроизведи результаты с помощью yolo pose val data=coco-pose.yaml batch=1 device=0|cpu nms=False.
• Значения Params и FLOPs указаны для объединённых моделей после свёртки Conv/BatchNorm и удаления неиспользуемой ветви обнаружения. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения, поэтому их показатели могут быть выше.

Предварительные результаты по ключевым точкам COCO см. в предварительной версии YOLO27, ещё не выпущенной.

Обучение#

Обучай YOLO26n-pose на наборе данных COCO8-pose в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-pose.yaml")  # создать новую модель из YAML
model = YOLO("yolo26n-pose.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # создать модель из YAML и перенести веса

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

Полное описание режима train см. на странице Обучение. Модели оценки позы также можно обучать с помощью облачного обучения на платформе Ultralytics.

Формат датасета#

Подробное описание формата наборов данных YOLO для оценки позы см. в руководстве по наборам данных. Чтобы преобразовать существующий набор данных JSON с ключевыми точками COCO в формат YOLO, используй встроенную функцию convert_coco с use_keypoints=True, как описано в руководстве по преобразованию COCO в YOLO. В инструменте аннотирования платформы Ultralytics также поддерживаются метки позы и встроенные шаблоны скелетов для человека, кисти, лица и пользовательских схем ключевых точек.

Для пользовательских задач оценки позы также можно изучить специализированные наборы данных: Tiger-Pose для оценки позы животных, Hand Keypoints для отслеживания кистей или Dog-Pose для анализа позы собак.

Валидация#

Проверь точность обученной модели YOLO26n-pose. Аргументы не нужны, так как model хранит использованные при обучении data и аргументы в атрибутах модели: path/to/best.pt из примера обучения выполняет валидацию на COCO8-pose. В официальных весах указан путь к набору данных для обучения, которого нет на твоём компьютере, поэтому при выводе предупреждения используется значение по умолчанию для задачи coco8-pose.yaml. Чтобы выполнить валидацию на другом наборе данных, укажи data.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-pose.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Валидировать модель
metrics = model.val()  # аргументы не нужны, набор данных и настройки сохранены
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # список значений mAP50-95 для каждой категории
metrics.box.image_metrics  # словарь метрик для каждого изображения: точность, полнота, F1, TP, FP и FN для рамки
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # список, содержащий mAP50-95(P) для каждой категории
metrics.pose.image_metrics  # словарь метрик для каждого изображения: точность, полнота, F1, TP, FP и FN для позы

Предсказание#

Используй обученную модель YOLO26n-pose, чтобы запускать предсказания для изображений.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-pose.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Получи предсказания с помощью модели
results = model("https://ultralytics.com/images/bus.jpg")  # получи предсказание для изображения

# Обратись к результатам
for result in results:
    xy = result.keypoints.xy  # координаты x и y
    xyn = result.keypoints.xyn  # normalized
    kpts = result.keypoints.data  # x, y, видимость (если доступна)

Полное описание режима predict см. на странице Предсказание.

Результаты работы#

Оценка позы возвращает по одному объекту Results на изображение. Основные поля предсказания: result.keypoints для координат позы и result.boxes для обнаруженных объектов, которым принадлежат эти ключевые точки.

Описание полей Results, специфичных для каждой задачи, см. в разделе Результаты предсказаний по задачам.

Карта индексов ключевых точек#

Стандартные модели YOLO26 Pose предсказывают 17 ключевых точек COCO, поэтому индекс k в result.keypoints.xy[:, k] соответствует:

0. Нос
1. Левый глаз
2. Правый глаз
3. Левое ухо
4. Правое ухо
5. Левое плечо
6. Правое плечо
7. Левый локоть
8. Правый локоть
9. Левое запястье
10. Правое запястье
11. Левое бедро
12. Правое бедро
13. Левое колено
14. Правое колено
15. Левая лодыжка
16. Правая лодыжка

Экспорт#

Экспортируй модель YOLO26n-pose в другой формат, например ONNX, CoreML и т. д.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-pose.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Экспортировать модель
model.export(format="onnx")

Доступные форматы экспорта YOLO26-pose перечислены в таблице ниже. Экспортировать модель в любой из этих форматов можно с помощью аргумента format, например format='onnx' или format='engine'. Для экспортированных моделей можно сразу запускать предсказания или валидацию, например yolo predict model=yolo26n-pose.onnx. После завершения экспорта для твоей модели будут показаны примеры использования.

nms=None по умолчанию возвращает исходные выходные данные для внешней NMS. Укажи nms=False, чтобы выбрать доступную голову без NMS; неподдерживаемые форматы используют собственный путь вывода. Элементы nms выше обозначают форматы, в которые можно встроить NMS с помощью nms=True.

Полное описание export смотри на странице экспорта.

Часто задаваемые вопросы#