Ước tính tư thế

Đặt ví dụ ước tính

Ước tính tư thế là một nhiệm vụ liên quan đến việc xác định vị trí của các điểm cụ thể trong ảnh, thường được gọi là các điểm chính. Các điểm chính có thể đại diện cho các phần khác nhau của đối tượng như khớp, mốc hoặc các tính năng đặc biệt khác. Vị trí của các điểm chính thường được biểu diễn dưới dạng một tập hợp 2D [x, y] hoặc 3D [x, y, visible] Tọa độ.

Đầu ra của mô hình ước tính tư thế là một tập hợp các điểm đại diện cho các điểm chính trên một đối tượng trong ảnh, thường cùng với điểm tin cậy cho mỗi điểm. Ước tính tư thế là một lựa chọn tốt khi bạn cần xác định các phần cụ thể của một đối tượng trong một cảnh và vị trí của chúng trong mối quan hệ với nhau.

Xem: Ước tính tư thế với Ultralytics YOLO .

Xem: Pose Estimation với Ultralytics Trung tâm.

Mẹo

YOLO11 tư thế Các mô hình sử dụng -pose hậu tố, tức là yolo11n-pose.pt. Những mô hình này được đào tạo về Điểm chính của COCO tập dữ liệu và phù hợp với nhiều nhiệm vụ ước tính tư thế.

Trong mô hình tư thế YOLO11 mặc định, có 17 điểm chính, mỗi điểm đại diện cho một phần khác nhau của cơ thể con người. Sau đây là bản đồ của từng chỉ số đến khớp cơ thể tương ứng:

0: Mũi 1: Mắt trái 2: Mắt phải 3: Tai trái 4: Tai phải 5: Vai trái 6: Vai phải 7: Khuỷu tay trái 8: Khuỷu tay phải 9: Cổ tay trái 10: Cổ tay phải 11: Hông trái 12: Hông phải 13: Đầu gối trái 14: Đầu gối phải 15: Mắt cá chân trái 16: Mắt cá chân phải

Mô hình

Các mô hình Pose được đào tạo trước của YOLO11 được hiển thị ở đây. Các mô hình Detect, Segment và Pose được đào tạo trước trên tập dữ liệu COCO , trong khi các mô hình Classify được đào tạo trước trên tập dữ liệu ImageNet .

Mô hình tải xuống tự động từ phiên bản mới nhất Ultralytics phát hành vào lần sử dụng đầu tiên.

Mẫu	kích thước ^{(điểm ảnh)}	bản đồ^{tư thế 50-95}	bản đồ^{tư thế 50}	Tốc độ ^{CPU ONNX (Cô)}	Tốc độ ^{T4 TensorRT10 (bệnh đa xơ cứng)}	Params ^(M)	Thất bại ^(B)
YOLO11n-tư thế	640	50.0	81.0	52,4 ± 0,5	1,7 ± 0,0	2.9	7.6
YOLO11s-tư thế	640	58.9	86.3	90,5 ± 0,6	2,6 ± 0,0	9.9	23.2
YOLO11m-tư thế	640	64.9	89.4	187,3 ± 0,8	4,9 ± 0,1	20.9	71.7
YOLO11l-tư thế	640	66.1	89.9	247,7 ± 1,1	6,4 ± 0,1	26.2	90.7
YOLO11x-tư thế	640	69.5	91.1	488,0 ± 13,9	12,1 ± 0,2	58.8	203.3

mAP^val Các giá trị dành cho thang đo đơn mô hình đơn trên Điểm chính COCO val2017 tập dữ liệu.
Sinh sản bằng yolo val pose data=coco-pose.yaml device=0
Tốc độ tính trung bình trên hình ảnh COCO val bằng cách sử dụng một Amazon EC2 P4d ví dụ.
Sinh sản bằng yolo val pose data=coco-pose.yaml batch=1 device=0|cpu

Xe lửa

Đào tạo mô hình YOLO11-pose trên tập dữ liệu COCO8-pose.

Ví dụ

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

Định dạng tập dữ liệu

YOLO Định dạng tập dữ liệu tư thế có thể được tìm thấy chi tiết trong Hướng dẫn tập dữ liệu. Để chuyển đổi tập dữ liệu hiện có của bạn từ các định dạng khác (như COCO, v.v.) sang YOLO , vui lòng sử dụng công cụ JSON2YOLO bằng cách Ultralytics.

Val

Xác thực mô hình YOLO11n-pose đã được đào tạo sự chính xác trên tập dữ liệu COCO8-pose. Không cần đối số vì model duy trì đào tạo data và các đối số làm thuộc tính mô hình.

Ví dụ

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

Dự đoán

Sử dụng mô hình YOLO11n-pose đã được đào tạo để chạy dự đoán trên hình ảnh.

Ví dụ

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

Xem đầy đủ predict Chi tiết chế độ trong Dự đoán trang.

Xuất khẩu

Xuất mô hình YOLO11n Pose sang một định dạng khác như ONNX , CoreML , vân vân.

Ví dụ

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

Các định dạng xuất YOLO11-pose có sẵn nằm trong bảng bên dưới. Bạn có thể xuất sang bất kỳ định dạng nào bằng cách sử dụng format lập luận, tức là format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc xác thực trực tiếp trên các mô hình đã xuất, tức là yolo predict model=yolo11n-pose.onnx. Ví dụ sử dụng được hiển thị cho mô hình của bạn sau khi xuất hoàn tất.

Định dạng	`format` Lý lẽ	Mẫu	Siêu dữ liệu	Lập luận
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 Cạnh 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`

Xem đầy đủ export Chi tiết trong Xuất khẩu trang.

FAQ

Ước tính tư thế là gì? Ultralytics YOLO11 hoạt động như thế nào?

Ước tính tư thế với Ultralytics YOLO11 liên quan đến việc xác định các điểm cụ thể, được gọi là các điểm chính, trong một hình ảnh. Các điểm chính này thường biểu diễn các khớp hoặc các đặc điểm quan trọng khác của đối tượng. Đầu ra bao gồm [x, y] tọa độ và điểm tin cậy cho mỗi điểm. Các mô hình YOLO11-pose được thiết kế riêng cho nhiệm vụ này và sử dụng -pose hậu tố, chẳng hạn như yolo11n-pose.pt. Các mô hình này được đào tạo trước trên các bộ dữ liệu như Điểm chính của COCO và có thể được sử dụng cho các nhiệm vụ ước tính tư thế khác nhau. Để biết thêm thông tin, hãy truy cập Trang ước tính tư thế.

Làm thế nào tôi có thể đào tạo mô hình YOLO11-pose trên một tập dữ liệu tùy chỉnh?

Việc đào tạo mô hình YOLO11-pose trên một tập dữ liệu tùy chỉnh liên quan đến việc tải một mô hình, có thể là một mô hình mới được định nghĩa bởi tệp YAML hoặc một mô hình được đào tạo trước. Sau đó, bạn có thể bắt đầu quá trình đào tạo bằng cách sử dụng tập dữ liệu và các tham số đã chỉ định.

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)

Để biết chi tiết toàn diện về đào tạo, hãy tham khảo Phần đào tạo.

Làm thế nào để xác thực mô hình YOLO11-pose đã được đào tạo?

Xác thực mô hình YOLO11-pose liên quan đến việc đánh giá độ chính xác của nó bằng cách sử dụng cùng các tham số tập dữ liệu được lưu giữ trong quá trình đào tạo. Sau đây là một ví dụ:

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

Để biết thêm thông tin, hãy truy cập Phần Val.

Tôi có thể xuất mô hình YOLO11-pose sang các định dạng khác không và bằng cách nào?

Có, bạn có thể xuất mô hình YOLO11-pose sang nhiều định dạng khác nhau như ONNX , CoreML , TensorRT và nhiều hơn nữa. Điều này có thể được thực hiện bằng cách sử dụng Python hoặc Giao diện dòng lệnh ( 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")

Tham khảo Phần Xuất khẩu để biết thêm chi tiết.

Những gì có sẵn Ultralytics Các mô hình YOLO11-pose và số liệu hiệu suất của chúng?

Ultralytics YOLO11 cung cấp nhiều mô hình tư thế được đào tạo trước như YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, v.v. Các mô hình này khác nhau về kích thước, độ chính xác (mAP) và tốc độ. Ví dụ, mô hình YOLO11n-pose đạt được tư ^thế mAP 50-95 là 50,4 và ^{tư thế} mAP 50 là 80,1. Để biết danh sách đầy đủ và thông tin chi tiết về hiệu suất, hãy truy cập Phần mô hình .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng