yolov8_test/docs/es/tasks/pose.md

comments	description	keywords
true	Aprende a utilizar Ultralytics YOLOv8 para tareas de estimación de pose. Encuentra modelos preentrenados, aprende a entrenar, validar, predecir y exportar tus propios modelos.	Ultralytics, YOLO, YOLOv8, estimación de pose, detección de puntos clave, detección de objetos, modelos preentrenados, aprendizaje automático, inteligencia artificial

Estimación de Pose

La estimación de pose es una tarea que implica identificar la ubicación de puntos específicos en una imagen, comúnmente referidos como puntos clave. Estos puntos clave pueden representar varias partes del objeto, como articulaciones, puntos de referencia u otras características distintivas. La ubicación de los puntos clave generalmente se representa como un conjunto de coordenadas 2D [x, y] o 3D [x, y, visible].

La salida de un modelo de estimación de pose es un conjunto de puntos que representan los puntos clave en un objeto de la imagen, generalmente junto con las puntuaciones de confianza para cada punto. La estimación de pose es una buena opción cuando se necesita identificar partes específicas de un objeto en una escena y su ubicación relativa entre ellas.

Ver: Estimación de Pose con Ultralytics YOLOv8.

!!! tip "Consejo"

Los modelos _pose_ YOLOv8 utilizan el sufijo `-pose`, por ejemplo, `yolov8n-pose.pt`. Estos modelos están entrenados en el conjunto de datos [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) y son adecuados para una variedad de tareas de estimación de pose.

Modelos

Aquí se muestran los modelos preentrenados de YOLOv8 Pose. Los modelos Detect, Segment y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos Classify están preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan automáticamente desde el último lanzamiento de Ultralytics release en el primer uso.

Modelo	tamaño (píxeles)	mAPpose 50-95	mAPpose 50	Velocidad CPU ONNX (ms)	Velocidad A100 TensorRT (ms)	parámetros (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

• Los valores de mAP^val son para un solo modelo a una sola escala en el conjunto de datos COCO Keypoints val2017.
  Reproducir con yolo val pose data=coco-pose.yaml device=0
• Velocidad promediada sobre imágenes COCO val usando una instancia Amazon EC2 P4d.
  Reproducir con yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu

Entrenar

Entrena un modelo YOLOv8-pose en el conjunto de datos COCO128-pose.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-pose.yaml')  # construir un nuevo modelo desde YAML
    model = YOLO('yolov8n-pose.pt')  # cargar un modelo preentrenado (recomendado para entrenar)
    model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # construir desde YAML y transferir los pesos

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

    ```bash
    # Construir un nuevo modelo desde YAML y comenzar entrenamiento desde cero
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

    # Empezar entrenamiento desde un modelo *.pt preentrenado
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

    # Construir un nuevo modelo desde YAML, transferir pesos preentrenados y comenzar entrenamiento
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640
    ```

Formato del conjunto de datos

El formato del conjunto de datos de pose de YOLO se puede encontrar en detalle en la Guía de Conjuntos de Datos. Para convertir tu conjunto de datos existente de otros formatos (como COCO, etc.) al formato de YOLO, usa la herramienta JSON2YOLO de Ultralytics.

Validar

Valida la precisión del modelo YOLOv8n-pose entrenado en el conjunto de datos COCO128-pose. No es necesario pasar ningún argumento ya que el modelo mantiene sus datos de entrenamiento y argumentos como atributos del modelo.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-pose.pt')  # cargar un modelo oficial
    model = YOLO('path/to/best.pt')  # cargar un modelo personalizado

    # Validar el modelo
    metrics = model.val()  # no se necesitan argumentos, el conjunto de datos y configuraciones se recuerdan
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # una lista contiene map50-95 de cada categoría
    ```
=== "CLI"

    ```bash
    yolo pose val model=yolov8n-pose.pt  # modelo oficial de val
    yolo pose val model=path/to/best.pt  # modelo personalizado de val
    ```

Predecir

Usa un modelo YOLOv8n-pose entrenado para realizar predicciones en imágenes.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-pose.pt')  # cargar un modelo oficial
    model = YOLO('path/to/best.pt')  # cargar un modelo personalizado

    # Predecir con el modelo
    results = model('https://ultralytics.com/images/bus.jpg')  # predecir en una imagen
    ```
=== "CLI"

    ```bash
    yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo oficial
    yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo personalizado
    ```

Consulta los detalles completos del modo predict en la página de Predicción.

Exportar

Exporta un modelo YOLOv8n Pose a un formato diferente como ONNX, CoreML, etc.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-pose.pt')  # cargar un modelo oficial
    model = YOLO('path/to/best.pt')  # cargar un modelo entrenado personalizado

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

    ```bash
    yolo export model=yolov8n-pose.pt format=onnx  # exportar modelo oficial
    yolo export model=path/to/best.pt format=onnx  # exportar modelo entrenado personalizado
    ```

Los formatos de exportación de YOLOv8-pose disponibles se muestran en la tabla a continuación. Puedes predecir o validar directamente en modelos exportados, por ejemplo, yolo predict model=yolov8n-pose.onnx. Los ejemplos de uso se muestran para tu modelo después de que la exportación se completa.

Formato	Argumento format	Modelo	Metadatos	Argumentos
PyTorch	-	yolov8n-pose.pt	✅	-
TorchScript	torchscript	yolov8n-pose.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n-pose.onnx	✅	imgsz, half, dinámico, simplify, opset
OpenVINO	openvino	yolov8n-pose_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n-pose.engine	✅	imgsz, half, dinámico, simplify, espacio de trabajo
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

Consulta los detalles completos del modo export en la página de Exportación.