Link to this section姿态估计#

姿态估计是一项涉及识别图像中特定点（通常称为关键点）位置的任务。关键点可以表示对象的各个部分，例如关节、地标或其他显著特征。关键点的位置通常表示为一组 2D [x, y] 坐标，并可选择包含一个可见性标志 [x, y, visible]。

姿态估计模型的输出是一组代表图像中对象关键点的点，通常还包含每个点的置信度分数。当你需要识别场景中对象的特定部分及其相对于彼此的位置时，姿态估计是一个很好的选择。

Link to this section模型#

此处展示了 Ultralytics YOLO26 预训练姿态模型。检测、分割和姿态模型在 COCO 数据集上进行预训练，Semantic 模型在 Cityscapes 上预训练，分类模型在 ImageNet 数据集上预训练。

模型在首次使用时会自动从最新的 Ultralytics 发布版本下载。

• mAP^val 数值是针对 COCO Keypoints val2017 数据集上的单模型单尺度结果。
  通过 yolo val pose data=coco-pose.yaml device=0 进行复现。
• 速度是使用 Amazon EC2 P4d 实例在 COCO val 图像上平均得出的。
  通过 yolo val pose data=coco-pose.yaml batch=1 device=0|cpu 进行复现。
• 参数量 (Params) 和 FLOPs 数值是针对 model.fuse() 之后融合模型的，该模型合并了 Conv 和 BatchNorm 层，并且对于端到端模型，移除了辅助的一对多检测头。预训练检查点保留了完整的训练架构，因此可能会显示更高的数值。

Link to this section训练#

在 COCO8-pose 数据集上训练 YOLO26-pose 模型。COCO8-pose 数据集 是一个小型的样本数据集，非常适合测试和调试你的姿态估计模型。

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)

See full train mode details in the Train page. Pose models can also be trained on cloud GPUs through Ultralytics Platform.

Link to this section数据集格式#

有关 YOLO 姿态数据集格式的详细信息，请参阅 数据集指南。若要将现有的其他格式数据集（如 COCO 等）转换为 YOLO 格式，请使用 Ultralytics 提供的 JSON2YOLO 工具。Ultralytics Platform 还支持姿态标注，并内置了针对人体、手部、面部及自定义关键点布局的骨架模板。

对于自定义姿态估计任务，你还可以探索专业数据集，例如用于动物姿态估计的 Tiger-Pose、用于手部追踪的 Hand Keypoints，或用于犬类姿态分析的 Dog-Pose。

Link to this section验证#

在 COCO8-pose 数据集上验证训练好的 YOLO26n-pose 模型的准确度。无需参数，因为 model 会保留其训练时的 data 和参数作为模型属性。

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

Link to this section预测#

使用训练好的 YOLO26n-pose 模型对图像进行预测。predict 模式允许你在图像、视频或实时流上执行推理。

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)

See full predict mode details in the Predict page.

Link to this section结果输出#

姿态估计为每张图像返回一个 Results 对象。主要的预测字段包括用于姿态坐标的 result.keypoints 和用于关键点所属检测实例的 result.boxes。

关于各项任务中特定于任务的 Results 字段，请参阅按任务划分的预测结果 (Predict Results by Task) 部分。

Link to this section导出#

将 YOLO26n 姿态模型导出为其他格式（如 ONNX、CoreML 等）。这使你能够在各种平台和设备上部署模型以进行实时推理。

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")

可用的 YOLO26-pose 导出格式见下表。你可以使用 format 参数导出为任何格式，例如 format='onnx' 或 format='engine'。你可以在导出的模型上直接进行预测或验证，例如 yolo predict model=yolo26n-pose.onnx。模型导出完成后会展示使用示例。

See full export details in the Export page.

Link to this section常见问题解答#

Link to this section什么是使用 Ultralytics YOLO26 进行姿态估计？它是如何工作的？#

使用 Ultralytics YOLO26 进行姿态估计涉及识别图像中的特定点（即关键点）。这些关键点通常表示对象的关节或其他重要特征。输出包括每个点的 [x, y] 坐标和置信度分数。YOLO26-pose 模型是专门为此任务设计的，并使用 -pose 后缀，如 yolo26n-pose.pt。这些模型在 COCO keypoints 等数据集上进行预训练，可用于各种姿态估计任务。欲了解更多信息，请访问姿态估计页面。

Link to this section我如何自定义数据集上训练 YOLO26-pose 模型？#

在自定义数据集上训练 YOLO26-pose 模型涉及加载模型，可以是 YAML 文件定义的新模型，也可以是预训练模型。然后，你可以使用指定的数据集和参数开始训练过程。

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)

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

有关训练的全面详情，请参阅训练章节。你也可以使用 Ultralytics Platform 采用无代码方式训练自定义姿态估计模型。

Link to this section我如何验证训练好的 YOLO26-pose 模型？#

验证 YOLO26-pose 模型涉及使用训练期间保留的相同数据集参数来评估其准确度。以下是一个示例：

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

欲了解更多信息，请访问 验证章节。

Link to this section我能将 YOLO26-pose 模型导出为其他格式吗？如何操作？#

可以，你可以将 YOLO26-pose 模型导出为 ONNX、CoreML、TensorRT 等多种格式。这可以通过 Python 或命令行界面 (CLI) 完成。

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")

有关详细信息，请参阅导出章节。导出的模型可以部署在边缘设备上，用于实时应用，如健身追踪、体育分析或机器人技术。

Link to this section有哪些可用的 Ultralytics YOLO26-pose 模型及其性能指标？#

Ultralytics YOLO26 提供多种预训练姿态模型，如 YOLO26n-pose、YOLO26s-pose、YOLO26m-pose 等。这些模型在尺寸、准确度 (mAP) 和速度上各有不同。例如，YOLO26n-pose 模型的 mAP^pose50-95 为 57.2，mAP^pose50 为 83.3。有关完整列表和性能详细信息，请访问模型章节。