자세 추정 (Pose Estimation)

자세 추정 예시

• 자세 추정은 이미지에서 특정 지점을 식별하는 작업을 말하며, 이러한 지점은 일반적으로 키포인트라고 불립니다.
• 키포인트의 위치는 보통 2D [x, y] 또는 3D [x, y, visible] 좌표 세트로 표현됩니다.
• 자세 추정 모델의 출력은 이미지에서 객체의 키포인트를 나타내는 일련의 점이며, 보통 각 점에 대한 신뢰도 점수도 함께 제공됩니다.
• 자세 추정은 장면에서 객체의 특정 부분과 그 위치를 서로 관련 지어 식별해야 할 때 적합한 선택
• 보기: Ultralytics YOLO를 사용한 자세 추정
  • https://www.youtube.com/watch?time_continue=1&v=Y28xXQmju64&embeds_referring_euri=https%3A%2F%2Fdocs.ultralytics.com%2F&source_ve_path=MTY0OTksMTY0OTksMjg2NjQsMjg2NjY
• 보기: Ultralytics HUB를 사용한 자세 추정
  • https://www.youtube.com/watch?v=aeAX6vWpfR0&embeds_referring_euri=https%3A%2F%2Fdocs.ultralytics.com%2F&source_ve_path=Mjg2NjY

팁

• YOLO11 자세 모델은 -pose 접미사를 사용하며, 예를 들어 yolo11n-pose.pt와 같은 형식을 가집니다.
• 이 모델들은 COCO 키포인트 데이터셋으로 훈련되었으며, 다양한 자세 추정 작업에 적합합니다.
• 기본 YOLO11 자세 모델에는 17개의 키포인트가 있으며, 각각이 인체의 다른 부분을 나타냅니다. 다음은 각 인덱스와 해당 신체 관절의 매핑입니다:
• 0: 코
• 1: 왼쪽 눈
• 2: 오른쪽 눈
• 3: 왼쪽 귀
• 4: 오른쪽 귀
• 5: 왼쪽 어깨
• 6: 오른쪽 어깨
• 7: 왼쪽 팔꿈치
• 8: 오른쪽 팔꿈치
• 9: 왼쪽 손목
• 10: 오른쪽 손목
• 11: 왼쪽 엉덩이
• 12: 오른쪽 엉덩이
• 13: 왼쪽 무릎
• 14: 오른쪽 무릎
• 15: 왼쪽 발목
• 16: 오른쪽 발목

---

모델

• YOLO11에서 사전 훈련된 Pose 모델은 여기서 확인할 수 있습니다.
• Detect, Segment 및 Pose 모델은 COCO 데이터셋에서 사전 훈련되었으며, Classify 모델은 ImageNet 데이터셋에서 사전 훈련되었습니다.
• 모델은 처음 사용할 때 최신 Ultralytics 릴리즈에서 자동으로 다운로드됩니다.

모델	크기 (픽셀)	mAPpose 50-95	mAPpose 50	속도 CPU ONNX (ms)	속도 T4 TensorRT10 (ms)	파라미터 (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 값은 COCO Keypoints val2017 데이터셋에서 단일 모델 단일 스케일을 기준으로 합니다.
yolo val pose data=coco-pose.yaml device=0 명령으로 재현 가능합니다.
속도는 COCO val 이미지를 사용하여 Amazon EC2 P4d 인스턴스에서 측정되었습니다.
yolo val pose data=coco-pose.yaml batch=1 device=0|cpu 명령으로 재현 가능합니다.

---

훈련

• COCO8-pose 데이터셋에서 YOLO11-pose 모델을 훈련합니다.
• 예시:

Python 코드:

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo11n-pose.yaml")  # YAML에서 새 모델 빌드
model = YOLO("yolo11n-pose.pt")  # 사전 훈련된 모델 로드 (훈련 권장)
model = YOLO("yolo11n-pose.yaml").load("yolo11n-pose.pt")  # YAML에서 빌드 후 가중치 전달

# 모델 훈련
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

• 데이터셋 형식
  • YOLO 포즈 데이터셋 형식은 데이터셋 가이드에서 자세히 설명되어 있습니다.
    • https://docs.ultralytics.com/datasets/pose/
  • 기존 데이터셋을 다른 형식(COCO 등)에서 YOLO 형식으로 변환하려면 Ultralytics의 JSON2YOLO 도구를 사용하십시오.
    • https://github.com/ultralytics/JSON2YOLO

---

검증

• COCO8-pose 데이터셋에서 훈련된 YOLO11n-pose 모델의 정확도를 검증합니다.
• 모델은 훈련 데이터와 설정을 모델 속성으로 유지하므로 추가 인자가 필요하지 않습니다.

예시:

Python 코드:

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo11n-pose.pt")  # 공식 모델 로드
model = YOLO("path/to/best.pt")  # 사용자 정의 모델 로드

# 모델 검증
metrics = model.val()  # 인자 불필요, 데이터셋 및 설정 유지
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # 각 카테고리의 map50-95 리스트

---

예측

• 훈련된 YOLO11n-pose 모델을 사용하여 이미지에서 예측을 실행합니다.
• 예시:

Python 코드:

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo11n-pose.pt")  # 공식 모델 로드
model = YOLO("path/to/best.pt")  # 사용자 정의 모델 로드

# 모델로 예측 실행
results = model("https://ultralytics.com/images/bus.jpg")  # 이미지에서 예측 실행

• 전체 예측 모드에 대한 세부 정보는 Predict 페이지에서 확인할 수 있습니다.

---

내보내기

• YOLO11n Pose 모델을 ONNX, CoreML 등 다른 형식으로 내보낼 수 있습니다.

예시:

Python 코드:

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo11n-pose.pt")  # 공식 모델 로드
model = YOLO("path/to/best.pt")  # 사용자 정의 모델 로드

# 모델 내보내기
model.export(format="onnx")

YOLO11-pose 내보내기 가능한 형식은 아래 표에 나와 있습니다.
format='onnx' 또는 format='engine'과 같이 형식을 지정하여 내보낼 수 있습니다. 내보내기가 완료된 후 모델에 대한 사용 예시가 표시됩니다.

형식	format 인자	모델	메타데이터	인자
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 Edge 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
NCNN	ncnn	yolo11n-pose_ncnn_model/	✅	imgsz, half, batch

전체 내보내기 세부 정보는 Export 페이지에서 확인할 수 있습니다.

---

FAQ

YOLO11-pose 모델을 사용자 정의 데이터셋에서 어떻게 훈련할 수 있나요?

• YOLO11-pose 모델을 사용자 정의 데이터셋에서 훈련하려면 YAML 파일로 정의된 새 모델을 로드하거나 사전 훈련된 모델을 로드한 후,
• 지정된 데이터셋과 매개변수를 사용해 훈련을 시작할 수 있습니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo11n-pose.yaml")  # YAML에서 새 모델 빌드
model = YOLO("yolo11n-pose.pt")  # 사전 훈련된 모델 로드

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

• 훈련에 대한 자세한 내용은 Train 섹션을 참조하세요.