ultralytics/docs/zh/tasks/pose.md

comments	description	keywords
true	学习如何使用Ultralytics YOLOv8进行姿态估计任务。找到预训练模型，学习如何训练、验证、预测以及导出你自己的模型。	Ultralytics, YOLO, YOLOv8, 姿态估计, 关键点检测, 物体检测, 预训练模型, 机器学习, 人工智能

姿态估计

姿态估计是一项任务，其涉及识别图像中特定点的位置，通常被称为关键点。这些关键点可以代表物体的各种部位，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2D [x, y] 或3D [x, y, visible] 坐标。

姿态估计模型的输出是一组点集，这些点代表图像中物体上的关键点，通常还包括每个点的置信度得分。当你需要在场景中识别物体的特定部位及其相互之间的位置时，姿态估计是一个不错的选择。

观看：使用Ultralytics YOLOv8进行姿态估计。

!!! Tip "提示"

YOLOv8 _姿态_ 模型使用 `-pose` 后缀，例如 `yolov8n-pose.pt`。这些模型在 [COCO关键点](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) 数据集上进行了训练，并且适用于各种姿态估计任务。

模型

这里展示了YOLOv8预训练的姿态模型。检测、分割和姿态模型在 COCO 数据集上进行预训练，而分类模型则在 ImageNet 数据集上进行预训练。

模型 在首次使用时将自动从最新的Ultralytics 发布版本中下载。

模型	尺寸 (像素)	mAP姿态 50-95	mAP姿态 50	速度 CPU ONNX (毫秒)	速度 A100 TensorRT (毫秒)	参数 (M)	浮点数运算 (B)
YOLOv8n-姿态	640	50.4	80.1	131.8	1.18	3.3	9.2
YOLOv8s-姿态	640	60.0	86.2	233.2	1.42	11.6	30.2
YOLOv8m-姿态	640	65.0	88.8	456.3	2.00	26.4	81.0
YOLOv8l-姿态	640	67.6	90.0	784.5	2.59	44.4	168.6
YOLOv8x-姿态	640	69.2	90.2	1607.1	3.73	69.4	263.2
YOLOv8x-姿态-p6	1280	71.6	91.2	4088.7	10.04	99.1	1066.4

• mAP^val 值适用于COCO 关键点 val2017数据集上的单模型单尺度。
  通过执行 yolo val pose data=coco-pose.yaml device=0 来复现。
• 速度 是在 亚马逊EC2 P4d实例上使用COCO val图像的平均值。
  通过执行 yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu 来复现。

训练

在COCO128姿态数据集上训练一个YOLOv8姿态模型。

!!! Example "示例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 加载模型
    model = YOLO('yolov8n-pose.yaml')  # 从YAML构建一个新模型
    model = YOLO('yolov8n-pose.pt')  # 加载一个预训练模型（推荐用于训练）
    model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # 从YAML构建并传输权重

    # 训练模型
    results = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # 从YAML构建一个新模型并从头开始训练
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

    # 从一个预训练的*.pt模型开始训练
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

    # 从YAML构建一个新模型，传输预训练权重并开始训练
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640
    ```

数据集格式

YOLO姿态数据集格式可详细找到在数据集指南中。若要将您现有的数据集从其他格式（如COCO等）转换为YOLO格式，请使用Ultralytics的 JSON2YOLO 工具。

验证

在COCO128姿态数据集上验证训练好的YOLOv8n姿态模型的准确性。没有参数需要传递，因为模型保存了其训练数据和参数作为模型属性。

!!! Example "示例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 加载模型
    model = YOLO('yolov8n-pose.pt')  # 加载官方模型
    model = YOLO('path/to/best.pt')  # 加载自定义模型

    # 验证模型
    metrics = model.val()  # 无需参数，数据集和设置都记住了
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # 包含每个类别map50-95的列表
    ```
=== "CLI"

    ```bash
    yolo pose val model=yolov8n-pose.pt  # 验证官方模型
    yolo pose val model=path/to/best.pt  # 验证自定义模型
    ```

预测

使用训练好的YOLOv8n姿态模型在图片上运行预测。

!!! Example "示例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 加载模型
    model = YOLO('yolov8n-pose.pt')  # 加载官方模型
    model = YOLO('path/to/best.pt')  # 加载自定义模型

    # 用模型进行预测
    results = model('https://ultralytics.com/images/bus.jpg')  # 在一张图片上预测
    ```
=== "CLI"

    ```bash
    yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # 用官方模型预测
    yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 用自定义模型预测
    ```

在预测页面中查看完整的预测模式细节。

导出

将YOLOv8n姿态模型导出为ONNX、CoreML等不同格式。

!!! Example "示例"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 加载模型
    model = YOLO('yolov8n-pose.pt')  # 加载官方模型
    model = YOLO('path/to/best.pt')  # 加载自定义训练好的模型

    # 导出模型
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-pose.pt format=onnx  # 导出官方模型
    yolo export model=path/to/best.pt format=onnx  # 导出自定义训练好的模型
    ```

以下表格中有可用的YOLOv8姿态导出格式。您可以直接在导出的模型上进行预测或验证，例如 yolo predict model=yolov8n-pose.onnx。导出完成后，为您的模型显示用法示例。

格式	format 参数	模型	元数据	参数
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

在导出 页面中查看完整的导出细节。