Оценка позы

Примеры оценки позы

Оценка позы - это задача, которая заключается в определении местоположения определенных точек на изображении, обычно называемых ключевыми точками. Ключевые точки могут представлять собой различные части объекта, такие как суставы, ориентиры или другие отличительные особенности. Расположение ключевых точек обычно представляется в виде набора двумерных [x, y] или 3D [x, y, visible] координаты.

Результатом модели оценки позы является набор точек, представляющих ключевые точки объекта на изображении, обычно вместе с оценками достоверности для каждой точки. Оценка позы - хороший выбор, когда вам нужно определить конкретные части объекта в сцене и их расположение относительно друг друга.

Смотреть: Ultralytics YOLO11 Самоучитель по оценке позы | Отслеживание объектов в реальном времени и определение позы человека

Наконечник

YOLO11 поза модели используют -pose суффикс, т.е. yolo11n-pose.pt. Эти модели обучаются на Ключевые моменты КОКО и подходят для решения различных задач оценки позы.

В стандартной модели позы YOLO11 имеется 17 ключевых точек, каждая из которых представляет собой отдельную часть человеческого тела. Вот отображение каждого индекса на соответствующий сустав тела:

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

Модели

YOLO11 Здесь показаны предварительно обученные модели Pose. Модели Detect, Segment и Pose предварительно обучены на наборе данных COCO, а модели Classify предварительно обучены на наборе данных ImageNet.

Модели автоматически загружаются из последнейверсии Ultralytics при первом использовании.

Модель	размер ^{(пикселей)}	mAPpose^50-95	mAPpose⁵⁰	Скорость ^{CPU ONNX (мс)}	Скорость T4^{TensorRT10 (мс)}	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 Значения приведены для одномодельного одномасштабного на Ключевые моменты КОКО val2017 набор данных.
Размножать по yolo val pose data=coco-pose.yaml device=0
Скорость усреднение по изображениям COCO val с использованием Amazon EC2 P4d например.
Размножать по yolo val pose data=coco-pose.yaml batch=1 device=0|cpu

Поезд

Обучение модели YOLO11-pose на наборе данных COCO8-pose.

Пример

PythonCLI

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

Формат набора данных

YOLO Формат наборов данных pose подробно описан в Руководстве по набору данных. Чтобы преобразовать существующий набор данных из других форматов (например, COCO и т.д.) в формат YOLO , воспользуйтесь инструментом JSON2YOLO на сайте Ultralytics.

Вэл

Проверка обученной модели YOLO11n-pose точность на наборе данных COCO8-pose. Аргументы не требуются, так как model сохраняет свою подготовку data и аргументы как атрибуты модели.

Пример

PythonCLI

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

Предсказать

Используйте обученную модель YOLO11n-pose для прогнозирования изображений.

Пример

PythonCLI

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

Смотреть полностью predict подробности о режиме в Предсказать страница.

Экспорт

Экспортируйте модель YOLO11n Pose в другой формат, например ONNX, CoreML и т. д.

Пример

PythonCLI

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

Доступные форматы экспорта YOLO11-pose приведены в таблице ниже. Вы можете экспортировать в любой формат с помощью кнопки format аргумент, т.е. format='onnx' или format='engine'. Вы можете прогнозировать или проверять непосредственно на экспортированных моделях, т.е. yolo predict model=yolo11n-pose.onnx. Примеры использования показаны для вашей модели после завершения экспорта.

Формат	`format` Аргумент	Модель	Метаданные	Аргументы
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 Lite	`tflite`	`yolo11n-pose.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Край 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`

Смотреть полностью export подробности в Экспорт страница.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое оценка позы с помощью Ultralytics YOLO11 и как она работает?

Оценка позы с помощью Ultralytics YOLO11 включает в себя определение определенных точек, известных как ключевые точки, на изображении. Эти ключевые точки обычно представляют собой суставы или другие важные особенности объекта. Выходные данные включают [x, y] координаты и доверительные оценки для каждой точки. YOLO11 Модели -pose специально разработаны для этой задачи и используют -pose суффикс, например yolo11n-pose.pt. Эти модели предварительно обучаются на таких наборах данных, как Ключевые моменты КОКО и может использоваться для решения различных задач по оценке положения. Для получения дополнительной информации посетите Страница оценки позы.

Как обучить модель YOLO11-pose на пользовательском наборе данных?

Обучение модели YOLO11-pose на пользовательском наборе данных включает загрузку модели - либо новой модели, заданной в файле YAML, либо предварительно обученной модели. Затем вы можете запустить процесс обучения, используя указанный набор данных и параметры.

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)

Подробные сведения об обучении см. в разделе "Обучение".

Как проверить обученную модель YOLO11-pose?

Валидация модели YOLO11-pose предполагает оценку ее точности с использованием тех же параметров набора данных, которые были сохранены при обучении. Приведем пример:

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

Для получения дополнительной информации посетите раздел "Вал".

Можно ли экспортировать модель YOLO11-pose в другие форматы и как?

Да, вы можете экспортировать модель YOLO11-pose в различные форматы, такие как ONNX, CoreML, TensorRT и другие. Это можно сделать с помощью Python или интерфейса командной строки (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")

Более подробную информацию см. в разделе "Экспорт ".

Каковы доступные модели Ultralytics YOLO11 -pose и их характеристики?

Ultralytics YOLO11 предлагает различные предварительно обученные модели позирования, такие как YOLO11n-pose, YOLO11s-pose, YOLO11m-pose и другие. Эти модели различаются по размеру, точности (mAP) и скорости. Например, модель YOLO11n-pose достигает ^mAPpose50-9550,4 и ^mAPpose5080,1. Полный список и подробную информацию о характеристиках можно найти в разделе "Модели".

📅 Создано 1 год назад ✏️ Обновлено 12 дней назад