Ultralytics YOLO ile Poz Tahmini#

Poz tahmini, genellikle kilit noktalar olarak adlandırılan belirli noktaların bir görüntüdeki konumunu belirlemeyi içeren bir görevdir. Kilit noktalar; eklemler, işaret noktaları veya diğer ayırt edici özellikler gibi nesnenin çeşitli bölümlerini temsil edebilir. Kilit noktaların konumları genellikle bir dizi 2B [x, y] koordinatı ve isteğe bağlı olarak bir görünürlük bayrağı [x, y, visible] ile temsil edilir.

Bir poz tahmini modelinin çıktısı, görüntüdeki bir nesnenin kilit noktalarını temsil eden bir nokta kümesidir ve genellikle her nokta için güven skorlarını da içerir. Bir sahnedeki nesnenin belirli bölümlerini ve bunların birbirlerine göre konumlarını belirlemen gerektiğinde poz tahmini iyi bir seçimdir.

Modeller#

Ultralytics YOLO26 önceden eğitilmiş Poz modelleri burada gösterilmektedir. Algılama, Segmentasyon ve Poz modelleri COCO veri kümesi üzerinde, Semantik modeller Cityscapes üzerinde ve Sınıflandırma modelleri ImageNet veri kümesi üzerinde önceden eğitilmiştir.

Modeller, ilk kullanımda en güncel Ultralytics sürümünden otomatik olarak indirilir.

• mAP^val değerleri, COCO Keypoints val2017 veri kümesinde tek model ve tek ölçek kullanılarak elde edilmiştir.
  yolo val pose data=coco-pose.yaml device=0 nms=False ile yeniden üretin
• Hız, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntüleri üzerinde ortalanmıştır.
  yolo val pose data=coco-pose.yaml batch=1 device=0|cpu nms=False ile yeniden üretin
• Parametreler ve FLOP değerleri, Conv/BatchNorm katlama işlemi ve kullanılmayan algılama dalının kaldırılmasından sonraki birleştirilmiş modeller içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

COCO anahtar nokta sonuçlarının ön bilgisi için yayınlanmamış YOLO27 önizlemesine göz at.

Eğit#

COCO8-pose veri kümesi üzerinde bir YOLO26-pose modeli eğit. COCO8-pose veri kümesi, poz tahmini modellerini test etmek ve hata ayıklamak için ideal olan küçük bir örnek veri kümesidir.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.yaml")  # build a new model from YAML
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-pose.yaml").load("yolo26n-pose.pt")  # build from YAML and transfer weights

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

Eğit sayfasında train modunun tüm ayrıntılarına bak. Poz modelleri Ultralytics Platform bulut eğitimi ile de eğitilebilir.

Veri kümesi biçimi#

YOLO poz veri seti formatı Dataset Guide içinde ayrıntılı olarak bulunabilir. Mevcut bir COCO keypoints JSON veri setini YOLO formatına dönüştürmek için, COCO to YOLO guide içinde açıklandığı gibi convert_coco fonksiyonunu use_keypoints=True ile birlikte kullan. Ultralytics Platform annotation, insan, el, yüz ve özel kilit nokta düzenleri için yerleşik iskelet şablonlarıyla poz etiketlerini de destekler.

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

Doğrulama#

Eğitilmiş YOLO26n-pose modelinin doğruluğunu COCO8-pose veri kümesi üzerinde doğrula. model, eğitim data değerini ve bağımsız değişkenlerini model öznitelikleri olarak koruduğundan bağımsız değişken gerekmez.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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 containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary for box with precision, recall, F1, TP, FP, and FN
metrics.pose.map  # map50-95(P)
metrics.pose.map50  # map50(P)
metrics.pose.map75  # map75(P)
metrics.pose.maps  # a list containing mAP50-95(P) for each category
metrics.pose.image_metrics  # per-image metrics dictionary for pose with precision, recall, F1, TP, FP, and FN

Tahmin#

Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir YOLO26n-pose modeli kullan. Tahmin modu, görüntüler, videolar veya gerçek zamanlı akışlar üzerinde çıkarım yapmanı sağlar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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)

predict modunun tüm ayrıntıları için Tahmin sayfasına bak.

Sonuç çıktısı#

Poz tahmini, her görüntü için bir Results nesnesi döndürür. Birincil tahmin alanları, poz koordinatları için result.keypoints ve bu kilit noktaların ait olduğu algılanan örnekler için result.boxes alanlarıdır.

Her görevdeki göreve özgü Results alanlarının tamamı için Göreve Göre Tahmin Sonuçları bölümüne bak.

Dışa aktarma#

Bir YOLO26n Pose modelini ONNX, CoreML vb. farklı bir biçime aktar. Bu, modelini çeşitli platform ve cihazlarda gerçek zamanlı çıkarım için dağıtmanı sağlar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

Kullanılabilir YOLO26-pose dışa aktarma biçimleri aşağıdaki tabloda verilmiştir. format bağımsız değişkenini, yani format='onnx' veya format='engine' değerini kullanarak herhangi bir biçime aktarabilirsin. Dışa aktarılan modeller üzerinde doğrudan tahmin veya doğrulama yapabilirsin; örneğin yolo predict model=yolo26n-pose.onnx. Modelin için kullanım örnekleri dışa aktarma tamamlandıktan sonra gösterilir.

nms=None, harici NMS için varsayılan olarak ham çıktıları kullanır. Mevcut bir NMS'siz başlığı seçmek için nms=False değerini ayarla; desteklenmeyen formatlar yerel çıktı yollarına geri döner. Yukarıdaki nms girdileri, NMS'yi nms=True ile gömebilen formatları tanımlar.

Ayrıntıların tamamı için Dışa aktarma sayfasındaki export bilgilerine bak.

SSS#