İçeriğe geç

Poz Tahmini

Poz tahmini örnekleri

Poz tahmini, genellikle anahtar noktalar olarak adlandırılan, bir görüntüdeki belirli noktaların konumunun belirlenmesini içeren bir görevdir. Anahtar noktalar, eklemler, yer işaretleri veya diğer ayırt edici özellikler gibi nesnenin çeşitli kısımlarını temsil edebilir. Anahtar noktaların konumları genellikle bir dizi 2D [x, y] veya 3D [x, y, visible] Koordinatlar.

Bir poz tahmin modelinin çıktısı, genellikle her nokta için güven puanlarıyla birlikte görüntüdeki bir nesne üzerindeki kilit noktaları temsil eden bir dizi noktadır. Poz tahmini, bir sahnedeki bir nesnenin belirli parçalarını ve bunların birbirlerine göre konumlarını belirlemeniz gerektiğinde iyi bir seçimdir.



İzle: Ultralytics YOLO11 Poz Tahmini Eğitimi | Gerçek Zamanlı Nesne Takibi ve İnsan Pozu Tespiti

İpucu

YOLO11 poz modellerinde -pose son ek, yani yolo11n-pose.pt. Bu modeller aşağıdakiler üzerinde eğitilir COCO kilit noktaları veri kümesi ve çeşitli poz tahmin görevleri için uygundur.

Varsayılan YOLO11 poz modelinde, her biri insan vücudunun farklı bir bölümünü temsil eden 17 anahtar nokta vardır. Her bir indeksin ilgili vücut eklemine eşlenmesi aşağıda verilmiştir:

  1. Burun
  2. Sol Göz
  3. Sağ Göz
  4. Sol Kulak
  5. Sağ Kulak
  6. Sol Omuz
  7. Sağ Omuz
  8. Sol Dirsek
  9. Sağ Dirsek
  10. Sol Bilek
  11. Sağ Bilek
  12. Sol Kalça
  13. Sağ Kalça
  14. Sol Diz
  15. Sağ Diz
  16. Sol Ayak Bileği
  17. Sağ Ayak Bileği

Modeller

Ultralytics YOLO11 ön eğitimli Poz modelleri burada gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Classify modelleri ise ImageNet veri kümesi üzerinde ön eğitime tabi tutulmuştur.

Modeller ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.

Model boyut
(piksel)		 mAPpose
50-95		 mAPpose
50		 Hız
CPU ONNX
(ms)		 Hız
T4TensorRT10
(ms)		 params
(M)		 FLOP'lar
(B)
YOLO11n-pozu 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-poz 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 değerleri tek model tek ölçek içindir. COCO Kilit Noktalar val2017 veri kümesi.
    Tarafından çoğaltın yolo val pose data=coco-pose.yaml device=0
  • Hız kullanılarak COCO val görüntüleri üzerinde ortalaması alınmıştır. Amazon EC2 P4d örnek.
    Tarafından çoğaltın yolo val pose data=coco-pose.yaml batch=1 device=0|cpu

Tren

YOLO11 veri kümesi üzerinde bir YOLO11 modeli eğitin. COCO8-pose veri kümesi, poz tahmin modellerinizi test etmek ve hata ayıklamak için mükemmel olan küçük bir örnek veri kümesidir.

Örnek

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

Veri kümesi formatı

YOLO poz veri kümesi formatı, Veri Kümesi Kılavuzunda ayrıntılı olarak bulunabilir. Mevcut veri setinizi diğer formatlardan ( COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics'in JSON2YOLO aracını kullanın.

Özel poz tahmini görevleri için, hayvan pozu tahmini için Tiger-Pose, el takibi için Hand Keypoints veya köpek pozu analizi için Dog-Pose gibi özel veri kümelerini de keşfedebilirsiniz.

Val

Eğitilmiş YOLO11n-poz modelini doğrulayın doğruluk COCO8-pose veri kümesi üzerinde. Hiçbir argüman gerekmez çünkü model eğitimini sürdürür data ve model öznitelikleri olarak argümanlar.

Örnek

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

Tahmin Et

Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLO11n-pose modeli kullanın. Tahmin modu görüntüler, videolar veya gerçek zamanlı akışlar üzerinde çıkarım yapmanıza olanak tanır.

Örnek

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

# Access the results
for result in results:
    xy = result.keypoints.xy  # x and y coordinates
    xyn = result.keypoints.xyn  # normalized
    kpts = result.keypoints.data  # x, y, visibility (if available)

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

Tamamı görün predict modunun ayrıntıları Tahmin Et Sayfa.

İhracat

Bir YOLO11n Pose modelini ONNX, CoreML vb. gibi farklı bir formata aktarın. Bu, modelinizi gerçek zamanlı çıkarım için çeşitli platformlara ve cihazlara dağıtmanıza olanak tanır.

Örnek

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

Mevcut YOLO11-pose dışa aktarma formatları aşağıdaki tabloda yer almaktadır. kullanarak herhangi bir formata dışa aktarabilirsiniz. format argümanı, yani format='onnx' veya format='engine'. Doğrudan dışa aktarılan modeller üzerinde tahmin veya doğrulama yapabilirsiniz, örn. yolo predict model=yolo11n-pose.onnx. Dışa aktarma tamamlandıktan sonra modeliniz için kullanım örnekleri gösterilir.

Biçim format Tartışma Model Metadata Argümanlar
PyTorch - yolo11n-pose.pt ✅ -
TorchScript torchscript yolo11n-pose.torchscript ✅ imgsz, optimize, nms, batch
ONNX onnx yolo11n-pose.onnx ✅ imgsz, half, dynamic, simplify, opset, nms, batch
OpenVINO openvino yolo11n-pose_openvino_model/ ✅ imgsz, half, dynamic, int8, nms, batch, data
TensorRT engine yolo11n-pose.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data
CoreML coreml yolo11n-pose.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n-pose_saved_model/ ✅ imgsz, keras, int8, nms, batch
TF GraphDef pb yolo11n-pose.pb ❌ imgsz, batch
TF Lite tflite yolo11n-pose.tflite ✅ imgsz, half, int8, nms, batch, data
TF Kenar TPU edgetpu yolo11n-pose_edgetpu.tflite ✅ imgsz
TF.js tfjs yolo11n-pose_web_model/ ✅ imgsz, half, int8, nms, 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, data
RKNN rknn yolo11n-pose_rknn_model/ ✅ imgsz, batch, name

Tamamı görün export detaylar İhracat Sayfa.

SSS

Ultralytics YOLO11 ile Poz Tahmini nedir ve nasıl çalışır?

Ultralytics YOLO11 ile poz tahmini, bir görüntüde anahtar noktalar olarak bilinen belirli noktaların tanımlanmasını içerir. Bu anahtar noktalar tipik olarak eklemleri veya nesnenin diğer önemli özelliklerini temsil eder. Çıktı şunları içerir [x, y] koordinatları ve her nokta için güven puanları. YOLO11-pose modelleri bu görev için özel olarak tasarlanmıştır ve -pose son eki, örneğin yolo11n-pose.pt. Bu modeller aşağıdaki gibi veri kümeleri üzerinde önceden eğitilmiştir COCO kilit noktaları ve çeşitli poz tahmini görevleri için kullanılabilir. Daha fazla bilgi için şu adresi ziyaret edin Poz Tahmini Sayfası.

Özel bir veri kümesi üzerinde YOLO11 amaçlı bir modeli nasıl eğitebilirim?

Özel bir veri kümesi üzerinde YOLO11 amaçlı bir modelin eğitilmesi, bir YAML dosyası tarafından tanımlanan yeni bir modelin veya önceden eğitilmiş bir modelin yüklenmesini içerir. Ardından, belirttiğiniz veri kümesini ve parametreleri kullanarak eğitim sürecini başlatabilirsiniz.

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)

Eğitimle ilgili kapsamlı ayrıntılar için Eğitim Bölümüne bakın. Özel poz tahmin modellerini eğitmek için kodsuz bir yaklaşım için Ultralytics HUB 'ı da kullanabilirsiniz.

Eğitilmiş bir YOLO11-pose modelini nasıl doğrulayabilirim?

Bir YOLO11-pose modelinin doğrulanması, eğitim sırasında tutulan aynı veri seti parametrelerini kullanarak doğruluğunun değerlendirilmesini içerir. İşte bir örnek:

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

Daha fazla bilgi için Val Bölümünü ziyaret edin.

Bir YOLO11-pose modelini diğer formatlara aktarabilir miyim ve nasıl?

Evet, bir YOLO11 modelini ONNX, CoreML, TensorRT ve daha fazlası gibi çeşitli formatlara aktarabilirsiniz. Bu işlem Python veya Komut Satırı Arayüzü (CLI) kullanılarak yapılabilir.

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")

Daha fazla ayrıntı için Dışa Aktarma Bölümüne bakın. Dışa aktarılan modeller fitness takibi, spor analizi veya robotik gibi gerçek zamanlı uygulamalar için uç cihazlara yerleştirilebilir.

Mevcut Ultralytics YOLO11 -pose modelleri ve bunların performans ölçütleri nelerdir?

Ultralytics YOLO11 , diğerlerinin yanı sıra YOLO11n-pose, YOLO11s-pose, YOLO11m-pose gibi önceden eğitilmiş çeşitli poz modelleri sunar. Bu modeller boyut, doğruluk (mAP) ve hız açısından farklılık gösterir. Örneğin, YOLO11n-pose modeli 50,0'lık bir mAPpose50-95ve 81,0'lık bir mAPpose50elde eder. Tam liste ve performans ayrıntıları için Modeller Bölümünü ziyaret edin.

📅1 yıl önce oluşturuldu ✏️ 4 gün önce güncellendi
glenn-jocher RizwanMunawar Y-T-G jk4e hırslı-oktopus UltralitikAsistan MatthewNoyce k-2feng@hotmail.com Burhan-Q AyushExel

Yorumlar