使用 Ultralytics YOLO 进行姿态估计#
姿态估计是一项用于识别图像中特定点位置的任务，这些点通常称为关键点。关键点可以表示对象的不同部位，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二维 [x, y] 坐标，可选择性地附带可见性标志 [x, y, visible]。
姿态估计模型的输出是一组表示图像中对象关键点的点，通常还会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位，以及这些部位之间的相对位置时，姿态估计是一个不错的选择。
Watch: How to Run Real-Time Pose Estimation with Ultralytics YOLO26 | Tracking & Keypoints Extraction 🕺
YOLO26 姿态模型使用 -pose 后缀，即 yolo26n-pose.pt。这些模型在 COCO 关键点数据集上训练，适用于各种姿态估计任务。
默认的 YOLO26 姿态模型包含 17 个关键点，每个关键点代表人体的不同部位。下面是每个索引与相应身体关节的映射：
- 鼻子
- 左眼
- 右眼
- 左耳
- 右耳
- 左肩
- 右肩
- 左肘
- 右肘
- 左腕
- 右腕
- 左髋
- 右髋
- 左膝
- 右膝
- 左踝
- 右踝
模型#
这里展示了 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，语义模型在 Cityscapes 上进行预训练，分类模型则在 ImageNet 数据集上进行预训练。
首次使用时，模型 会自动从最新的 Ultralytics 发布版本 下载。
| 模型 | 尺寸 （像素） | mAP姿态 50-95(e2e) | mAP姿态 50(e2e) | 速度 CPU ONNX （毫秒） | 速度 T4 TensorRT10 （毫秒） | 参数量 （M） | FLOPs （B） |
|---|---|---|---|---|---|---|---|
| YOLO26n-pose | 640 | 57.2 | 83.3 | 40.3 ± 0.5 | 1.8 ± 0.0 | 2.9 | 7.6 |
| YOLO26s-pose | 640 | 63.0 | 86.6 | 85.3 ± 0.9 | 2.7 ± 0.0 | 10.4 | 24.1 |
| YOLO26m-pose | 640 | 68.8 | 89.6 | 218.0 ± 1.5 | 5.0 ± 0.1 | 21.5 | 73.3 |
| YOLO26l-pose | 640 | 70.4 | 90.5 | 275.4 ± 2.4 | 6.5 ± 0.1 | 25.9 | 91.7 |
| YOLO26x-pose | 640 | 71.6 | 91.6 | 565.4 ± 3.0 | 12.2 ± 0.2 | 57.6 | 202.3 |
- mAPval 值针对 COCO Keypoints val2017 数据集上的单模型单尺度结果。
使用yolo val pose data=coco-pose.yaml device=0 nms=False重现 - 速度是在使用 Amazon EC2 P4d 实例处理 COCO val 图像时的平均值。
通过yolo val pose data=coco-pose.yaml batch=1 device=0|cpu nms=False复现 - Params 和 FLOPs 数值适用于在进行卷积与批归一化折叠以及移除未使用的检测分支之后的融合模型。预训练检查点保留完整的训练架构，可能会显示更高的数值。
查看未发布的 YOLO27 预览版以获取初步的 COCO 关键点结果。
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)在 Train 页面中查看完整的 train 模式详细信息。姿态模型也可以通过 Ultralytics Platform 云训练进行训练。
数据集格式#
YOLO 姿态数据集格式的详细信息可以在 Dataset Guide 中找到。要将现有的 COCO keypoints JSON 数据集转换为 YOLO 格式，请使用内置的 convert_coco 函数配合 use_keypoints=True，如 COCO to YOLO guide 中所述。Ultralytics Platform annotation 还支持带有内置骨骼模板的姿态标签，适用于人体、手部、面部以及自定义关键点布局。
对于自定义姿态估计任务，你还可以探索专用数据集，例如用于动物姿态估计的 Tiger-Pose、用于手部跟踪的 Hand Keypoints，或用于犬类姿态分析的 Dog-Pose。
验证#
在 COCO8-pose 数据集上验证经过训练的 YOLO26n-pose 模型的准确率。无需提供参数，因为 model 会保留训练时的 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 FNPredict#
使用经过训练的 YOLO26n-pose 模型对图像运行预测。predict 模式支持你对图像、视频或实时流执行推理。
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)请在预测页面查看完整的 predict 模式详情。
结果输出#
姿态估计会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，以及用于表示这些关键点所属检测实例的 result.boxes。
| 属性 | 类型 | 形状 | 描述 |
|---|---|---|---|
result.keypoints | Keypoints | (N) | 关键点。 |
result.keypoints.data | torch.float32 | (N,K,2/3) | x,y，以及可选的可见性/置信度。 |
result.keypoints.xy | torch.float32 | (N,K,2) | 像素关键点。 |
result.keypoints.xyn | torch.float32 | (N,K,2) | 归一化关键点。 |
result.boxes | Boxes | (N) | 实例框。 |
有关每项任务中任务专用的 Results 字段，请参阅按任务划分的预测结果部分。
导出#
将 YOLO26n Pose 模型导出为其他格式，例如 ONNX、CoreML 等。这样你就可以将模型部署到各种平台和设备上，用于实时推理。
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")下表列出了可用的 YOLO26-pose 导出格式。你可以使用 format 参数导出为任意格式，即 format='onnx' 或 format='engine'。你可以直接在导出的模型上进行预测或验证，即 yolo predict model=yolo26n-pose.onnx。导出完成后，系统会为你的模型显示使用示例。
| 格式 | format 参数 | 模型 | 元数据 | 参数 |
|---|---|---|---|---|
| PyTorch | - | yolo26n-pose.pt | ✅ | - |
| TorchScript | torchscript | yolo26n-pose.torchscript | ✅ | imgsz、quantize、dynamic、nms、batch、device |
| ONNX | onnx | yolo26n-pose.onnx | ✅ | imgsz、quantize、dynamic、simplify、opset、nms、batch、data、fraction、device |
| OpenVINO | openvino | yolo26n-pose_openvino_model/ | ✅ | imgsz、quantize、dynamic、nms、batch、data、fraction、device |
| TensorRT | engine | yolo26n-pose.engine | ✅ | imgsz、quantize、dynamic、simplify、opset、workspace、nms、batch、data、fraction、device |
| CoreML | coreml | yolo26n-pose.mlpackage | ✅ | imgsz、dynamic、quantize、nms、batch、device |
| TF SavedModel | saved_model | yolo26n-pose_saved_model/ | ✅ | imgsz、keras、quantize、opset、nms、batch、data、fraction、device |
| TF GraphDef | pb | yolo26n-pose.pb | ❌ | imgsz、opset、batch、device |
| TF Edge TPU | edgetpu | yolo26n-pose_edgetpu.tflite | ✅ | imgsz、quantize、opset、data、fraction、device |
| PaddlePaddle | paddle | yolo26n-pose_paddle_model/ | ✅ | imgsz、batch、device |
| MNN | mnn | yolo26n-pose.mnn | ✅ | imgsz、batch、dynamic、quantize、simplify、opset、nms、device |
| NCNN | ncnn | yolo26n-pose_ncnn_model/ | ✅ | imgsz、quantize、batch、device |
| IMX500 | imx | yolo26n-pose_imx_model/ | ✅ | imgsz、quantize、data、fraction、nms、device |
| RKNN | rknn | yolo26n-pose_rknn_model/ | ✅ | imgsz、batch、name、quantize、simplify、opset、data、fraction、device |
| ExecuTorch | executorch | yolo26n-pose_executorch_model/ | ✅ | imgsz、batch、device |
| Axelera | axelera | yolo26n-pose_axelera_model/ | ✅ | imgsz、batch、quantize、data、fraction、device |
| DEEPX | deepx | yolo26n-pose_deepx_model/ | ✅ | imgsz、quantize、simplify、opset、data、optimize、device |
| Qualcomm QNN | qnn | yolo26n-pose_qnn.onnx | ✅ | imgsz、batch、name、quantize、simplify、opset、data、fraction、device |
| LiteRT | litert | yolo26n-pose.tflite | ✅ | imgsz、quantize、batch、data、fraction、device |
| Hailo | hailo | yolo26n-pose_hailo_model/ | ✅ | imgsz、name、quantize、data、fraction、simplify、conf、iou |
| Huawei Ascend | ascend | yolo26n-pose_ascend_model/ | ✅ | imgsz、batch、name、quantize、opset、simplify、nms |
| Apple Core AI | coreai | yolo26n-pose.aimodel | ✅ | imgsz、batch、quantize |
nms=None 默认对外部 NMS 使用原始输出。设置 nms=False 以选择可用的无 NMS 检测头；不支持的格式将回退到其本机输出路径。上面的 nms 条目标识了可以通过 nms=True 嵌入 NMS 的格式。
请在导出页面查看完整的 export 详情。
常见问题#
在自定义数据集上训练 YOLO26-pose 模型，需要先加载模型，可以是由 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)有关训练的完整详细信息，请参阅 Train Section。你也可以使用 Ultralytics Platform 云训练，以无代码方式训练自定义姿态估计模型。
验证 YOLO26-pose 模型包括使用训练期间保留的相同数据集参数评估其准确率。下面是一个示例：
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有关更多信息，请访问 Val Section。
可以，你可以将 YOLO26-pose 模型导出为 ONNX、CoreML、TensorRT 等多种格式。你可以使用 Python 或命令行界面（CLI）完成此操作。
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")有关更多详细信息，请参阅 Export Section。导出的模型可以部署到边缘设备上，用于健身跟踪、运动分析或机器人等实时应用。
Ultralytics YOLO26 提供多种预训练姿态模型，例如 YOLO26n-pose、YOLO26s-pose、YOLO26m-pose 等。这些模型在大小、准确率（mAP）和速度方面有所不同。例如，YOLO26n-pose 模型的 mAPpose50-95 达到 57.2，mAPpose50 达到 83.3。有关完整列表和性能详情，请访问 Models Section。