ultralytics/docs/pt/tasks/pose.md

comments	description	keywords
true	Aprenda a usar o Ultralytics YOLOv8 para tarefas de estimativa de pose. Encontre modelos pré-treinados, aprenda a treinar, validar, prever e exportar seu próprio modelo.	Ultralytics, YOLO, YOLOv8, estimativa de pose, detecção de pontos-chave, detecção de objetos, modelos pré-treinados, aprendizado de máquina, inteligência artificial

Estimativa de Pose

A estimativa de pose é uma tarefa que envolve identificar a localização de pontos específicos em uma imagem, geralmente referidos como pontos-chave. Os pontos-chave podem representar várias partes do objeto como articulações, pontos de referência ou outras características distintas. As localizações dos pontos-chave são geralmente representadas como um conjunto de coordenadas 2D [x, y] ou 3D [x, y, visível].

A saída de um modelo de estimativa de pose é um conjunto de pontos que representam os pontos-chave em um objeto na imagem, geralmente junto com os escores de confiança para cada ponto. A estimativa de pose é uma boa escolha quando você precisa identificar partes específicas de um objeto em uma cena, e sua localização relativa entre si.

Assista: Estimativa de Pose com Ultralytics YOLOv8.

!!! tip "Dica"

Modelos YOLOv8 _pose_ usam o sufixo `-pose`, isto é `yolov8n-pose.pt`. Esses modelos são treinados no conjunto de dados [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) e são adequados para uma variedade de tarefas de estimativa de pose.

Modelos

Os modelos YOLOv8 Pose pré-treinados são mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classify são pré-treinados no conjunto de dados ImageNet.

Modelos são baixados automaticamente do último lançamento da Ultralytics release no primeiro uso.

Modelo	tamanho (pixels)	mAPpose 50-95	mAPpose 50	Velocidade CPU ONNX (ms)	Velocidade A100 TensorRT (ms)	parâmetros (M)	FLOPs (B)
YOLOv8n-pose	640	50.4	80.1	131.8	1.18	3.3	9.2
YOLOv8s-pose	640	60.0	86.2	233.2	1.42	11.6	30.2
YOLOv8m-pose	640	65.0	88.8	456.3	2.00	26.4	81.0
YOLOv8l-pose	640	67.6	90.0	784.5	2.59	44.4	168.6
YOLOv8x-pose	640	69.2	90.2	1607.1	3.73	69.4	263.2
YOLOv8x-pose-p6	1280	71.6	91.2	4088.7	10.04	99.1	1066.4

• mAP^val valores são para um único modelo em escala única no conjunto de dados COCO Keypoints val2017 .
  Reproduza yolo val pose data=coco-pose.yaml device=0
• Velocidade média em imagens COCO val usando uma instância Amazon EC2 P4d .
  Reproduza yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Treinar

Treine um modelo YOLOv8-pose no conjunto de dados COCO128-pose.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-pose.yaml')  # construir um novo modelo a partir do YAML
    model = YOLO('yolov8n-pose.pt')  # carregar um modelo pré-treinado (recomendado para treinamento)
    model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # construir a partir do YAML e transferir pesos

    # Treinar o modelo
    results = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # Construir um novo modelo a partir do YAML e começar o treinamento do zero
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

    # Começar treinamento de um modelo *.pt pré-treinado
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

    # Construir um novo modelo a partir do YAML, transferir pesos pré-treinados para ele e começar o treinamento
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640
    ```

Formato do conjunto de dados

O formato do conjunto de dados de pose YOLO pode ser encontrado em detalhes no Guia de Conjuntos de Dados. Para converter seu conjunto de dados existente de outros formatos (como COCO etc.) para o formato YOLO, por favor, use a ferramenta JSON2YOLO da Ultralytics.

Validar

Valide a acurácia do modelo YOLOv8n-pose treinado no conjunto de dados COCO128-pose. Não é necessário passar nenhum argumento, pois o model retém seus data de treinamento e argumentos como atributos do modelo.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-pose.pt')  # carregar um modelo oficial
    model = YOLO('caminho/para/melhor.pt')  # carregar um modelo personalizado

    # Validar o modelo
    metrics = model.val()  # nenhum argumento necessário, conjunto de dados e configurações lembradas
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # uma lista contém map50-95 de cada categoria
    ```
=== "CLI"

    ```bash
    yolo pose val model=yolov8n-pose.pt  # validar modelo oficial
    yolo pose val model=caminho/para/melhor.pt  # validar modelo personalizado
    ```

Prever

Use um modelo YOLOv8n-pose treinado para executar previsões em imagens.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-pose.pt')  # carregar um modelo oficial
    model = YOLO('caminho/para/melhor.pt')  # carregar um modelo personalizado

    # Prever com o modelo
    results = model('https://ultralytics.com/images/bus.jpg')  # prever em uma imagem
    ```
=== "CLI"

    ```bash
    yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # prever com modelo oficial
    yolo pose predict model=caminho/para/melhor.pt source='https://ultralytics.com/images/bus.jpg'  # prever com modelo personalizado
    ```

Veja detalhes completos do modo predict na página Prever.

Exportar

Exporte um modelo YOLOv8n Pose para um formato diferente como ONNX, CoreML, etc.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-pose.pt')  # carregar um modelo oficial
    model = YOLO('caminho/para/melhor.pt')  # carregar um modelo treinado personalizado

    # Exportar o modelo
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-pose.pt format=onnx  # exportar modelo oficial
    yolo export model=caminho/para/melhor.pt format=onnx  # exportar modelo treinado personalizado
    ```

Os formatos de exportação YOLOv8-pose disponíveis estão na tabela abaixo. Você pode prever ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolov8n-pose.onnx. Exemplos de uso são mostrados para o seu modelo após a conclusão da exportação.

Formato	Argumento format	Modelo	Metadados	Argumentos
PyTorch	-	yolov8n-pose.pt	✅	-
TorchScript	torchscript	yolov8n-pose.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n-pose.onnx	✅	imgsz, half, dynamic, simplify, opset
OpenVINO	openvino	yolov8n-pose_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n-pose.engine	✅	imgsz, half, dynamic, simplify, workspace
CoreML	coreml	yolov8n-pose.mlpackage	✅	imgsz, half, int8, nms
TF SavedModel	saved_model	yolov8n-pose_saved_model/	✅	imgsz, keras
TF GraphDef	pb	yolov8n-pose.pb	❌	imgsz
TF Lite	tflite	yolov8n-pose.tflite	✅	imgsz, half, int8
TF Edge TPU	edgetpu	yolov8n-pose_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n-pose_web_model/	✅	imgsz
PaddlePaddle	paddle	yolov8n-pose_paddle_model/	✅	imgsz
ncnn	ncnn	yolov8n-pose_ncnn_model/	✅	imgsz, half

Veja detalhes completos da exportação na página Exportar.