12 KiB

Raw Blame History

comments	description	keywords
true	Ultralytics YOLOv8을 사용하여 포즈 추정 작업을 수행하는 방법을 알아보세요. 미리 학습된 모델을 찾고, 학습, 검증, 예측, 내보내기 등을 진행하는 방법을 배울 수 있습니다.	Ultralytics, YOLO, YOLOv8, 포즈 추정, 키포인트 검출, 객체 검출, 미리 학습된 모델, 기계 학습, 인공 지능

포즈 추정

포즈 추정은 이미지 내 특정 점들의 위치를 식별하는 작업입니다. 이러한 점들은 보통 관절, 표식, 또는 기타 구별 가능한 특징으로 나타나는 키포인트입니다. 키포인트의 위치는 대개 2D [x, y] 또는 3D [x, y, visible] 좌표의 집합으로 표현됩니다.

포즈 추정 모델의 출력은 이미지 속 객체 상의 키포인트를 나타내는 점들의 집합과 각 점의 신뢰도 점수를 포함합니다. 포즈 추정은 장면 속 객체의 구체적인 부분을 식별하고, 서로 관련된 위치를 파악해야 할 때 좋은 선택입니다.

시청하기: Ultralytics YOLOv8을 이용한 포즈 추정.

!!! Tip "팁"

YOLOv8 _pose_ 모델은 `-pose` 접미사가 붙습니다. 예: `yolov8n-pose.pt`. 이 모델들은 [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) 데이터셋으로 학습되었으며 포즈 추정 작업에 적합합니다.

모델

여기에 표시된 YOLOv8 미리 학습된 포즈 모델을 확인하세요. Detect, Segment 및 Pose 모델은 COCO 데이터셋으로 미리 학습되며, Classify 모델은 ImageNet 데이터셋으로 미리 학습됩니다.

모델은 첫 사용 시 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	mAP^포즈 50-95	mAP^포즈 50	속도 ^{CPU ONNX (ms)}	속도 ^{A100 TensorRT (ms)}	파라미터 ^(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 값은 COCO Keypoints val2017 데이터셋에서 단일 모델 단일 규모를 기준으로 합니다.
재현하려면 yolo val pose data=coco-pose.yaml device=0을 사용하세요.
속도는 Amazon EC2 P4d 인스턴스를 사용하여 COCO val 이미지 평균입니다.
재현하려면 yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu를 사용하세요.

학습

COCO128-pose 데이터셋에서 YOLOv8-pose 모델 학습하기.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-pose.yaml')  # YAML에서 새로운 모델 구축
    model = YOLO('yolov8n-pose.pt')    # 사전 학습된 모델 불러오기 (학습에 추천)
    model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # YAML에서 구축하고 가중치 전달

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

    ```bash
    # YAML에서 새로운 모델 구축하고 처음부터 학습 시작
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

    # 사전 학습된 *.pt 모델로부터 학습 시작
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

    # YAML에서 새로운 모델 구축하고 사전 학습된 가중치를 전달하여 학습 시작
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640
    ```

데이터셋 형식

YOLO 포즈 데이터셋 형식에 대한 자세한 내용은 데이터셋 가이드에서 찾아볼 수 있습니다. 기존 데이터셋을 다른 형식(예: COCO 등)에서 YOLO 형식으로 변환하려면 Ultralytics의 JSON2YOLO 도구를 사용하세요.

검증

학습된 YOLOv8n-pose 모델의 정확도를 COCO128-pose 데이터셋에서 검증하기. 모델은 학습 data 및 인수를 모델 속성으로 유지하기 때문에 인수를 전달할 필요가 없습니다.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-pose.pt')  # 공식 모델 불러오기
    model = YOLO('path/to/best.pt')  # 사용자 모델 불러오기

    # 모델 검증
    metrics = model.val()  # 데이터셋 및 설정을 기억하므로 인수 필요 없음
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # 각 범주의 map50-95를 포함하는 리스트
    ```
=== "CLI"

    ```bash
    yolo pose val model=yolov8n-pose.pt  # 공식 모델 검증
    yolo pose val model=path/to/best.pt  # 사용자 모델 검증
    ```

예측

학습된 YOLOv8n-pose 모델을 사용하여 이미지에 대한 예측 수행하기.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-pose.pt')  # 공식 모델 불러오기
    model = YOLO('path/to/best.pt')  # 사용자 모델 불러오기

    # 모델로 예측하기
    results = model('https://ultralytics.com/images/bus.jpg')  # 이미지에서 예측
    ```
=== "CLI"

    ```bash
    yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # 공식 모델로 예측
    yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 사용자 모델로 예측
    ```

predict 모드의 전체 세부 정보는 예측 페이지에서 확인하세요.

내보내기

YOLOv8n 포즈 모델을 ONNX, CoreML 등 다른 형식으로 내보내기.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-pose.pt')  # 공식 모델 불러오기
    model = YOLO('path/to/best.pt')  # 사용자 학습 모델 불러오기

    # 모델 내보내기
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-pose.pt format=onnx  # 공식 모델 내보내기
    yolo export model=path/to/best.pt format=onnx  # 사용자 학습 모델 내보내기
    ```

YOLOv8-pose 내보내기 가능한 형식은 아래 표에 나열되어 있습니다. 내보낸 모델에서 직접 예측 또는 검증이 가능합니다, 예: yolo predict model=yolov8n-pose.onnx. 내보내기가 완료된 후 모델 사용 예제가 표시됩니다.

형식	`format` 인수	모델	메타데이터	인수
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`

export의 전체 세부 정보는 내보내기 페이지에서 확인하세요.

12 KiB Raw Blame History

포즈 추정

모델

학습

데이터셋 형식

검증

예측

내보내기

12 KiB

Raw Blame History