ultralytics/docs/fr/tasks/pose.md

comments	description	keywords
true	Apprenez à utiliser Ultralytics YOLOv8 pour des tâches d'estimation de pose. Trouvez des modèles pré-entraînés, apprenez à entraîner, valider, prédire et exporter vos propres modèles.	Ultralytics, YOLO, YOLOv8, estimation de pose, détection de points clés, détection d'objet, modèles pré-entraînés, apprentissage automatique, intelligence artificielle

Estimation de Pose

L'estimation de pose est une tâche qui consiste à identifier l'emplacement de points spécifiques dans une image, souvent appelés points clés. Ces points clés peuvent représenter différentes parties de l'objet telles que les articulations, les repères ou d'autres caractéristiques distinctives. L'emplacement des points clés est généralement représenté par un ensemble de coordonnées 2D [x, y] ou 3D [x, y, visible].

La sortie d'un modèle d'estimation de pose est un ensemble de points représentant les points clés sur un objet dans l'image, généralement accompagnés des scores de confiance pour chaque point. L'estimation de pose est un bon choix lorsque vous avez besoin d'identifier des parties spécifiques d'un objet dans une scène, et leur emplacement les uns par rapport aux autres.

!!! astuce "Conseil"

Les modèles YOLOv8 _pose_ utilisent le suffixe `-pose`, c'est-à-dire `yolov8n-pose.pt`. Ces modèles sont entraînés sur le jeu de données [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) et conviennent à une variété de tâches d'estimation de pose.

Modèles

Les modèles Pose pré-entraînés YOLOv8 sont montrés ici. Les modèles Detect, Segment et Pose sont pré-entraînés sur le jeu de données COCO, tandis que les modèles Classify sont pré-entraînés sur le jeu de données ImageNet.

Les Modèles se téléchargent automatiquement à partir de la dernière version d'Ultralytics release lors de la première utilisation.

Modèle	taille (pixels)	mAPpose 50-95	mAPpose 50	Vitesse CPU ONNX (ms)	Vitesse A100 TensorRT (ms)	params (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

• Les valeurs de mAP^val sont pour un seul modèle à une seule échelle sur le jeu de données COCO Keypoints val2017.
  Reproduire avec yolo val pose data=coco-pose.yaml device=0
• La vitesse moyenne sur les images de validation COCO en utilisant une instance Amazon EC2 P4d.
  Reproduire avec yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Entraînement

Entraînez un modèle YOLOv8-pose sur le jeu de données COCO128-pose.

!!! exemple ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-pose.yaml')  # construire un nouveau modèle à partir du YAML
    model = YOLO('yolov8n-pose.pt')    # charger un modèle pré-entraîné (recommandé pour l'entraînement)
    model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # construire à partir du YAML et transférer les poids

    # Entraîner le modèle
    résultats = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # Construire un nouveau modèle à partir du YAML et commencer l'entraînement à partir de zéro
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

    # Commencer l'entraînement à partir d'un modèle *.pt pré-entraîné
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

    # Construire un nouveau modèle à partir du YAML, transférer les poids pré-entraînés et commencer l'entraînement
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640
    ```

Format du jeu de données

Le format du jeu de données YOLO pose peut être trouvé en détail dans le Guide des jeux de données. Pour convertir votre jeu de données existant à partir d'autres formats (comme COCO, etc.) vers le format YOLO, veuillez utiliser l'outil JSON2YOLO d'Ultralytics.

Val

Validez la précision du modèle YOLOv8n-pose entraîné sur le jeu de données COCO128-pose. Aucun argument n'est nécessaire car le modèle conserve ses données d'entraînement et arguments en tant qu'attributs du modèle.

!!! exemple ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-pose.pt')     # charger un modèle officiel
    model = YOLO('chemin/vers/best.pt')  # charger un modèle personnalisé

    # Valider le modèle
    métriques = model.val()  # aucun argument nécessaire, jeu de données et paramètres mémorisés
    métriques.box.map    # map50-95
    métriques.box.map50  # map50
    métriques.box.map75  # map75
    métriques.box.maps   # une liste contenant map50-95 de chaque catégorie
    ```
=== "CLI"

    ```bash
    yolo pose val model=yolov8n-pose.pt  # val modèle officiel
    yolo pose val model=chemin/vers/best.pt  # val modèle personnalisé
    ```

Prédiction

Utilisez un modèle YOLOv8n-pose entraîné pour exécuter des prédictions sur des images.

!!! exemple ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-pose.pt')     # charger un modèle officiel
    model = YOLO('chemin/vers/best.pt')  # charger un modèle personnalisé

    # Prédire avec le modèle
    résultats = model('https://ultralytics.com/images/bus.jpg')  # prédire sur une image
    ```
=== "CLI"

    ```bash
    yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # prédire avec modèle officiel
    yolo pose predict model=chemin/vers/best.pt source='https://ultralytics.com/images/bus.jpg'  # prédire avec modèle personnalisé
    ```

Consultez les détails complets du mode predict sur la page Prédire.

Exportation

Exportez un modèle YOLOv8n Pose dans un autre format tel que ONNX, CoreML, etc.

!!! exemple ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-pose.pt')      # charger un modèle officiel
    model = YOLO('chemin/vers/best.pt')   # charger un modèle personnalisé entraîné

    # Exporter le modèle
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-pose.pt format=onnx  # exporter modèle officiel
    yolo export model=chemin/vers/best.pt format=onnx  # exporter modèle personnalisé entraîné
    ```

Les formats d'exportation YOLOv8-pose disponibles sont dans le tableau ci-dessous. Vous pouvez prédire ou valider directement sur des modèles exportés, par exemple yolo predict model=yolov8n-pose.onnx. Des exemples d'utilisation sont montrés pour votre modèle après la fin de l'exportation.

Format	Argument format	Modèle	Métadonnées	Arguments
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

Consultez les détails complets de export sur la page Exporter.