姿势估计
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。关键点可以代表物体的各个部分，如关节、地标或其他显著特征。关键点的位置通常用一组二维 [x, y] 或 3D [x, y, visible] 坐标
姿态估计模型的输出是一组代表图像中物体关键点的点，通常还包括每个点的置信度分数。当您需要识别场景中物体的特定部分及其相互之间的位置关系时，姿态估计是一个不错的选择。
观看： Ultralytics YOLO11 姿势估计教程 | 实时物体跟踪和人体姿势检测
提示
YOLO11 姿势 模型使用 -pose 后缀，即 yolo11n-pose.pt.这些模型是在 COCO 要点 数据集，适用于各种姿势估计任务。
在YOLO11 的默认姿势模型中，有 17 个关键点，每个关键点代表人体的不同部位。以下是每个索引到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
- 右手腕
- 左髋关节
- 右髋关节
- 左膝
- 右膝盖
- 左脚踝
- 右脚踝
机型
此处显示的是Ultralytics YOLO11 预训练姿态模型。Detect、Segment 和 Pose 模型是在COCO数据集上预先训练的，而 Classify 模型则是在ImageNet数据集上预先训练的。
首次使用时，模型会自动从最新的Ultralytics 版本下载。
| 模型 | 尺寸 （像素） |
50-95 |
mAPpose 50 |
速度 CPU ONNX （毫秒） |
速度 T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO11n-pose | 640 | 50.0 | 81.0 | 52.4 ± 0.5 | 1.7 ± 0.0 | 2.9 | 7.6 |
| YOLO11s-pose | 640 | 58.9 | 86.3 | 90.5 ± 0.6 | 2.6 ± 0.0 | 9.9 | 23.2 |
| YOLO11m-pose | 640 | 64.9 | 89.4 | 187.3 ± 0.8 | 4.9 ± 0.1 | 20.9 | 71.7 |
| YOLO11l-pose | 640 | 66.1 | 89.9 | 247.7 ± 1.1 | 6.4 ± 0.1 | 26.2 | 90.7 |
| YOLO11x-pose | 640 | 69.5 | 91.1 | 488.0 ± 13.9 | 12.1 ± 0.2 | 58.8 | 203.3 |
- mAPval 数值是在 COCO 关键点2017 数据集。
复制方式yolo val pose data=coco-pose.yaml device=0 - 速度 对 COCO val 图像使用 亚马逊 EC2 P4d 实例
复制方式yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
火车
在 COCO8-pose 数据集上训练YOLO11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姿势估计模型。
示例
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
数据集格式
YOLO pose 数据集格式详见数据集指南。要将现有数据集从其他格式（如COCO等）转换为YOLO 格式，请使用Ultralytics 提供的JSON2YOLO工具。
对于自定义姿势估计任务，您还可以探索专门的数据集，如用于动物姿势估计的Tiger-Pose、用于手部跟踪的Hand Keypoints或用于犬类姿势分析的Dog-Pose。
瓦尔
验证训练有素的 YOLO11n-pose 模型 精确度 COCO8-pose 数据集。无需参数，因为 model 保留其培训 data 和参数作为模型属性。
示例
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
metrics.pose.map # map50-95(P)
metrics.pose.map50 # map50(P)
metrics.pose.map75 # map75(P)
metrics.pse.maps # a list contains map50-95(P) of each category
yolo pose val model=yolo11n-pose.pt # val official model
yolo pose val model=path/to/best.pt # val custom model
预测
使用训练有素的 YOLO11n-pose 模型对图像进行预测。预测模式允许您对图像、视频或实时流进行推理。
示例
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
# 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)
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
查看全文 predict 模式的详细信息，请参见 预测 page.
出口
将 YOLO11n Pose 模型导出为ONNX、CoreML 等不同格式。这样，您就可以在各种平台和设备上部署模型，进行实时推理。
示例
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
YOLO11-pose 可用的导出格式如下表所示。您可以使用 format 参数，即 format='onnx' 或 format='engine'.您可以直接对导出的模型进行预测或验证，即 yolo predict model=yolo11n-pose.onnx.导出完成后会显示模型的使用示例。
| 格式 | format 论据 |
模型 | 元数据 | 论据 |
|---|---|---|---|---|
| PyTorch | - | yolo11n-pose.pt |
✅ | - |
| TorchScript | torchscript |
yolo11n-pose.torchscript |
✅ | imgsz, half, optimize, nms, batch, device |
| ONNX | onnx |
yolo11n-pose.onnx |
✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino |
yolo11n-pose_openvino_model/ |
✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine |
yolo11n-pose.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml |
yolo11n-pose.mlpackage |
✅ | imgsz, half, int8, nms, batch, device |
| TF SavedModel | saved_model |
yolo11n-pose_saved_model/ |
✅ | imgsz, keras, int8, nms, batch, device |
| TF GraphDef | pb |
yolo11n-pose.pb |
❌ | imgsz, batch, device |
| TF 轻型 | tflite |
yolo11n-pose.tflite |
✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF 边缘TPU | edgetpu |
yolo11n-pose_edgetpu.tflite |
✅ | imgsz, device |
| TF.js | tfjs |
yolo11n-pose_web_model/ |
✅ | imgsz, half, int8, nms, batch, device |
| PaddlePaddle | paddle |
yolo11n-pose_paddle_model/ |
✅ | imgsz, batch, device |
| MNN | mnn |
yolo11n-pose.mnn |
✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn |
yolo11n-pose_ncnn_model/ |
✅ | imgsz, half, batch, device |
| IMX500 | imx |
yolo11n-pose_imx_model/ |
✅ | imgsz, int8, data, fraction, device |
| RKNN | rknn |
yolo11n-pose_rknn_model/ |
✅ | imgsz, batch, name, device |
查看全文 export 中的详细信息 出口 page.
常见问题
什么是利用Ultralytics YOLO11 进行姿势估计，它是如何工作的？
利用Ultralytics YOLO11 进行姿态估算，需要识别图像中的特定点（称为关键点）。这些关键点通常代表物体的关节或其他重要特征。输出包括 [x, y] 每个点的坐标和置信度分数。YOLO11-pose 模型是专门为这项任务设计的，它使用 -pose 后缀，如 yolo11n-pose.pt.这些模型是在诸如 COCO 要点 可用于各种姿势估计任务。更多信息，请访问 姿势估计页面.
如何在自定义数据集上训练YOLO11-pose 模型？
在自定义数据集上训练YOLO11-pose 模型需要加载一个模型，可以是由 YAML 文件定义的新模型，也可以是预先训练好的模型。然后，您就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("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)
有关训练的详细信息，请参阅 "训练 "部分。您还可以使用Ultralytics HUB，以无代码方式训练自定义姿势估计模型。
如何验证训练有素的YOLO11-pose 模型？
YOLO11-pose 模型的验证包括使用训练时保留的相同数据集参数评估其准确性。下面是一个例子：
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
更多信息，请访问Val 部分。
能否将YOLO11-pose 模型导出为其他格式，如何导出？
是的，您可以将YOLO11-pose 模型导出为各种格式，如ONNX,CoreML,TensorRT 等。您可以使用Python 或命令行界面 (CLI) 进行导出。
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")
有关详细信息，请参阅导出部分。导出的模型可部署在边缘设备上，用于健身跟踪、运动分析或机器人等实时应用。
现有的Ultralytics YOLO11 -pose 模型及其性能指标是什么？
Ultralytics YOLO11 提供各种预训练姿势模型，如 YOLO11n-pose、YOLO11s-pose、YOLO11m-pose 等。这些模型在尺寸、准确度（mAP）和速度方面各不相同。例如，YOLO11n-pose 型号的mAPpose50-95为 50.0，mAPpose50为 81.0。有关完整列表和性能详情，请访问型号部分。
