使用 Ultralytics YOLO 进行姿态估计#
姿态估计是一项识别图像中特定点位置的任务，通常称为关键点。关键点可以表示对象的各种部件，例如关节、地标或其他独特的特征。关键点的位置通常表示为一组 2D [x, y] 坐标，也可以带有可见性标志 [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。
Watch: How to Run Real-Time Pose Estimation with Ultralytics YOLO26 | Tracking & Keypoints Extraction 🕺
YOLO26 pose 模型使用 -pose 后缀，即 yolo26n-pose.pt。这些模型在 COCO keypoints 数据集上进行训练，适用于各种姿态估计任务。
在默认的 YOLO26 姿态模型中，共有 17 个关键点，每个点代表人体不同的部位。以下是每个索引与其对应的身体关节的映射：
- 鼻子
- 左眼
- 右眼
- 左耳
- 右耳
- 左肩
- 右肩
- 左肘
- 右肘
- 左手腕
- 右手腕
- 左髋
- 右髋
- 左膝
- 右膝
- 左脚踝
- 右脚踝
模型#
Ultralytics YOLO26 预训练 Pose 模型在此显示。Detect、Segment 和 Pose 模型在 COCO 数据集上预训练，Semantic 模型在 Cityscapes 上预训练，Classify 模型在 ImageNet 数据集上预训练。
模型会在首次使用时从最新的 Ultralytics 发布版本中自动下载。
| 模型 | 尺寸 (像素) | mAPpose 50-95(e2e) | mAPpose 50(e2e) | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 参数量 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n-pose | 640 | 57.2 | 83.3 | 40.3 ± 0.5 | 1.8 ± 0.0 | 2.9 | 7.5 |
| YOLO26s-pose | 640 | 63.0 | 86.6 | 85.3 ± 0.9 | 2.7 ± 0.0 | 10.4 | 23.9 |
| YOLO26m-pose | 640 | 68.8 | 89.6 | 218.0 ± 1.5 | 5.0 ± 0.1 | 21.5 | 73.1 |
| YOLO26l-pose | 640 | 70.4 | 90.5 | 275.4 ± 2.4 | 6.5 ± 0.1 | 25.9 | 91.3 |
| YOLO26x-pose | 640 | 71.6 | 91.6 | 565.4 ± 3.0 | 12.2 ± 0.2 | 57.6 | 201.7 |
- mAPval 值适用于 COCO Keypoints val2017 数据集上的单模型单尺度。
通过yolo val pose data=coco-pose.yaml device=0复现 - Speed 是在 Amazon EC2 P4d 实例上对 COCO val 图像取平均计算得出的。
通过yolo val pose data=coco-pose.yaml batch=1 device=0|cpu复现 - **参数量（Params）**和 FLOPs 值适用于
model.fuse()之后的融合模型，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，可能会显示更高的数值。
训练#
在 COCO8-pose 数据集上训练 YOLO26-pose 模型。COCO8-pose dataset 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 模式详情。Pose 模型也可以通过 Ultralytics Platform cloud training 进行训练。
数据集格式#
YOLO pose 数据集格式可以在 Dataset Guide 中找到详细说明。要将你现有的其他格式（如 COCO 等）数据集转换为 YOLO 格式，请使用 Ultralytics 的 JSON2YOLO 工具。Ultralytics Platform annotation 还支持带有内置骨架模板的姿态标签，适用于人体、手部、面部和自定义关键点布局。
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。
验证#
在 COCO8-pose 数据集上验证已训练的 YOLO26n-pose 模型accuracy。由于 model 将其训练 data 和参数保留为模型属性，因此无需任何参数。
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预测#
使用已训练的 YOLO26n-pose 模型对图像运行预测。predict mode 允许你对图像、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)查看完整的 predict 模式详情，请访问 Predict 页面。
结果输出#
姿态估计为每张图像返回一个 Results 对象。主要的预测字段是用于姿态坐标的 result.keypoints 以及用于这些关键点所属的检测实例的 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 外加可选的可见性/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。 |
有关所有任务特定于任务的 Results 字段，请参阅按任务划分的预测结果部分。
导出#
将 YOLO26 Pose 模型导出为不同的格式，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 导出格式如下表所示。你可以使用 format 参数（即 format='onnx' 或 format='engine'）导出为任何格式。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，将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 |
查看完整的 export 详情，请访问 Export 页面。
常见问题解答#
使用 Ultralytics YOLO26 进行姿态估计包括识别图像中的特定点（称为关键点）。这些关键点通常代表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 模型专门为此任务设计，并使用-pose后缀，例如yolo26n-pose.pt。这些模型在 COCO keypoints 等数据集上预训练，可用于各种姿态估计任务。有关更多信息，请访问 Pose Estimation Page。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，请参考 Train Section。你还可以使用 Ultralytics Platform cloud training 以无代码方式训练自定义姿态估计模型。
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。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")请参考 Export Section 了解更多详情。导出的模型可以部署在边缘设备上，用于健身追踪、运动分析或机器人技术等实时应用。
Ultralytics YOLO26 提供各种预训练姿态模型，例如 YOLO26n-pose、YOLO26s-pose、YOLO26m-pose 等。这些模型在大小、准确率 (mAP) 和速度上有所不同。例如，YOLO26n-pose 模型的 mAPpose50-95 为 57.2，mAPpose50 为 83.3。有关完整列表和性能详情，请访问 Models Section。