─░├žeri─če ge├ž

Poz Tahmini

Poz tahmini ├Ârnekleri

Poz tahmini, genellikle anahtar noktalar olarak adland─▒r─▒lan, bir g├Âr├╝nt├╝deki belirli noktalar─▒n konumunun belirlenmesini i├žeren bir g├Ârevdir. Anahtar noktalar, eklemler, yer i┼čaretleri veya di─čer ay─▒rt edici ├Âzellikler gibi nesnenin ├že┼čitli k─▒s─▒mlar─▒n─▒ temsil edebilir. Anahtar noktalar─▒n konumlar─▒ genellikle bir dizi 2D [x, y] veya 3D [x, y, visible] Koordinatlar.

Bir poz tahmin modelinin ├ž─▒kt─▒s─▒, genellikle her nokta i├žin g├╝ven puanlar─▒yla birlikte g├Âr├╝nt├╝deki bir nesne ├╝zerindeki kilit noktalar─▒ temsil eden bir dizi noktad─▒r. Poz tahmini, bir sahnedeki bir nesnenin belirli par├žalar─▒n─▒ ve bunlar─▒n birbirlerine g├Âre konumlar─▒n─▒ belirlemeniz gerekti─činde iyi bir se├žimdir.


─░zle: Ultralytics YOLOv8 ile Poz Tahmini .

─░zle: Ultralytics HUB ile Poz Tahmini.

─░pucu

YOLOv8 poz modellerinde -pose son ek, yani yolov8n-pose.pt. Bu modeller a┼ča─č─▒dakiler ├╝zerinde e─čitilir COCO kilit noktalar─▒ veri k├╝mesi ve ├že┼čitli poz tahmin g├Ârevleri i├žin uygundur.

Modeller

YOLOv8 ├Ân e─čitimli Pose modelleri burada g├Âsterilmektedir. Detect, Segment ve Pose modelleri COCO veri k├╝mesi ├╝zerinde, Classify modelleri ise ImageNet veri k├╝mesi ├╝zerinde ├Ân e─čitime tabi tutulmu┼čtur.

Modeller ilk kullan─▒mda en son Ultralytics s├╝r├╝m├╝nden otomatik olarak indirilir.

Model boyut
(piksel)
mAPpose
50-95
mAPpose
50
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(B)
YOLOv8n-pose 640 50.4 80.1 131.8 1.18 3.3 9.2
YOLOv8s-pose 640 60.0 86.2 233.2 1.42 11.6 30.2
YOLOv8m-pose 640 65.0 88.8 456.3 2.00 26.4 81.0
YOLOv8l-pose 640 67.6 90.0 784.5 2.59 44.4 168.6
YOLOv8x-pose 640 69.2 90.2 1607.1 3.73 69.4 263.2
YOLOv8x-pose-p6 1280 71.6 91.2 4088.7 10.04 99.1 1066.4
  • mAPval de─čerleri tek model tek ├Âl├žek i├žindir. COCO Kilit Noktalar val2017 veri k├╝mesi.
    Taraf─▒ndan ├žo─čalt─▒n yolo val pose data=coco-pose.yaml device=0
  • H─▒z kullan─▒larak COCO val g├Âr├╝nt├╝leri ├╝zerinde ortalamas─▒ al─▒nm─▒┼čt─▒r. Amazon EC2 P4d ├Ârnek.
    Taraf─▒ndan ├žo─čalt─▒n yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Tren

COCO128-pose veri k├╝mesi ├╝zerinde bir YOLOv8-pose modeli e─čitin.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.yaml")  # build a new model from YAML
model = YOLO("yolov8n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-pose.yaml").load("yolov8n-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=yolov8n-pose.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolov8n-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=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640

Veri k├╝mesi format─▒

YOLO poz veri seti format─▒ Veri Seti K─▒lavuzunda ayr─▒nt─▒l─▒ olarak bulunabilir. Mevcut veri setinizi di─čer formatlardan (COCO vb.) YOLO format─▒na d├Ân├╝┼čt├╝rmek i├žin l├╝tfen Ultralytics adresindeki JSON2YOLO arac─▒n─▒ kullan─▒n.

Val

COCO128-pose veri k├╝mesi ├╝zerinde e─čitilmi┼č YOLOv8n-pose model do─črulu─čunu do─črulay─▒n. Herhangi bir arg├╝man ge├žilmesine gerek yoktur. model e─čitimini s├╝rd├╝r├╝r data ve model ├Âznitelikleri olarak arg├╝manlar.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-pose.pt  # val official model
yolo pose val model=path/to/best.pt  # val custom model

Tahmin Et

G├Âr├╝nt├╝ler ├╝zerinde tahminler y├╝r├╝tmek i├žin e─čitilmi┼č bir YOLOv8n-pose modeli kullan─▒n.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-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

Tamam─▒ g├Âr├╝n predict modunun ayr─▒nt─▒lar─▒ Tahmin Et Sayfa.

─░hracat

Bir YOLOv8n Poz modelini ONNX, CoreML, vb. gibi farkl─▒ bir formata aktar─▒n.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-pose.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Mevcut YOLOv8-pose d─▒┼ča aktarma formatlar─▒ a┼ča─č─▒daki tabloda yer almaktad─▒r. kullanarak herhangi bir formata d─▒┼ča aktarabilirsiniz. format arg├╝man─▒, yani format='onnx' veya format='engine'. Do─črudan d─▒┼ča aktar─▒lan modeller ├╝zerinde tahmin veya do─črulama yapabilirsiniz, ├Ârn. yolo predict model=yolov8n-pose.onnx. D─▒┼ča aktarma tamamland─▒ktan sonra modeliniz i├žin kullan─▒m ├Ârnekleri g├Âsterilir.

Bi├žim format Tart─▒┼čma Model Metadata Arg├╝manlar
PyTorch - yolov8n-pose.pt Ôťů -
TorchScript torchscript yolov8n-pose.torchscript Ôťů imgsz, optimize, batch
ONNX onnx yolov8n-pose.onnx Ôťů imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-pose_openvino_model/ Ôťů imgsz, half, int8, batch
TensorRT engine yolov8n-pose.engine Ôťů imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n-pose.mlpackage Ôťů imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-pose_saved_model/ Ôťů imgsz, keras, int8, batch
TF GraphDef pb yolov8n-pose.pb ÔŁî imgsz, batch
TF Lite tflite yolov8n-pose.tflite Ôťů imgsz, half, int8, batch
TF Kenar TPU edgetpu yolov8n-pose_edgetpu.tflite Ôťů imgsz
TF.js tfjs yolov8n-pose_web_model/ Ôťů imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-pose_paddle_model/ Ôťů imgsz, batch
NCNN ncnn yolov8n-pose_ncnn_model/ Ôťů imgsz, half, batch

Tamam─▒ g├Âr├╝n export detaylar ─░hracat Sayfa.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (18), Burhan-Q (4), RizwanMunawar (1), AyushExel (1), Laughing-q (1)

Yorumlar