Poz Tahmini

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.

Modeller

YOLOv8 ön eğitimli Pose 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.

• ^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=coco8-pose.yaml batch=1 device=0|cpu

Tren

COCO128-pose veri kümesi üzerinde bir YOLOv8-pose modeli eğitin.

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 kümesi formatı

YOLO poz veri seti formatı Veri Seti Kılavuzunda ayrıntılı olarak bulunabilir. Mevcut veri setinizi diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics adresindeki JSON2YOLO aracını kullanın.

Val

COCO128-pose veri kümesi üzerinde eğitilmiş YOLOv8n-pose model doğruluğunu doğrulayın. Herhangi bir argüman geçilmesine gerek yoktur. model eğitimini sürdürür data ve model öznitelikleri olarak argümanlar.

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

Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLOv8n-pose modeli kullanın.

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

Tamamı görün predict modunun ayrıntıları Tahmin Et Sayfa.

İhracat

Bir YOLOv8n Poz modelini ONNX, CoreML, vb. gibi farklı bir formata aktarın.

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 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=yolov8n-pose.onnx. Dışa aktarma tamamlandıktan sonra modeliniz için kullanım örnekleri gösterilir.

Tamamı görün export detaylar İhracat Sayfa.

SSS

Ultralytics YOLOv8 ile Poz Tahmini nedir ve nasıl çalışır?

Ultralytics YOLOv8 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. YOLOv8-pose modelleri bu görev için özel olarak tasarlanmıştır ve -pose son eki, örneğin yolov8n-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 YOLOv8 amaçlı bir modeli nasıl eğitebilirim?

Özel bir veri kümesi üzerinde YOLOv8 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("yolov8n-pose.yaml")  # build a new model from YAML
model = YOLO("yolov8n-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.

Eğitilmiş bir YOLOv8-pose modelini nasıl doğrulayabilirim?

Bir YOLOv8-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("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

Daha fazla bilgi için Val Bölümünü ziyaret edin.

Bir YOLOv8-pose modelini diğer formatlara aktarabilir miyim ve nasıl?

Evet, bir YOLOv8 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("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")

Daha fazla ayrıntı için Dışa Aktarma Bölümüne bakın.

Mevcut Ultralytics YOLOv8 -pose modelleri ve bunların performans ölçütleri nelerdir?

Ultralytics YOLOv8 YOLOv8n-pose, -pose, -pose gibi önceden eğitilmiş çeşitli poz modelleri sunar. Bu modeller boyut, doğruluk (mAP) ve hız açısından farklılık gösterir. Örneğin, -pose modeli 50,4'lük bir YOLOv8s YOLOv8m YOLOv8n^mAPpose50-95ve 80,1'lik bir ^mAPpose50elde eder. Tam liste ve performans ayrıntıları için Modeller Bölümünü ziyaret edin.

Yorumlar