Link to this section Ước tính tư thế (Pose Estimation)#

Ước tính tư thế là một tác vụ liên quan đến việc xác định vị trí của các điểm cụ thể trong hình ảnh, thường được gọi là các điểm chính (keypoints). Các điểm chính này có thể đại diện cho nhiều bộ phận khác nhau của đối tượng như khớp, mốc giải phẫu hoặc các đặc điểm nhận dạng khác. Vị trí của các điểm chính thường được biểu diễn dưới dạng tập hợp các tọa độ 2D [x, y] hoặc 3D [x, y, visible].

Đầu ra của một model ước tính tư thế là một tập hợp các điểm đại diện cho các điểm chính trên đối tượng trong hình ảnh, thường đi kèm với điểm số tin cậy (confidence score) cho mỗi điểm. Ước tính tư thế là lựa chọn phù hợp khi bạn cần xác định các bộ phận cụ thể của một đối tượng trong cảnh và vị trí tương quan của chúng với nhau.

Link to this sectionCác model#

Các model Pose tiền huấn luyện của Ultralytics YOLO26 được liệt kê tại đây. Các model Detect, Segment và Pose được tiền huấn luyện trên tập dữ liệu COCO, các model Semantic được tiền huấn luyện trên Cityscapes, và các model Classify được tiền huấn luyện trên tập dữ liệu ImageNet.

Models sẽ tự động tải xuống từ bản phát hành mới nhất của Ultralytics trong lần đầu tiên sử dụng.

• Các giá trị mAPval dành cho model đơn với quy mô đơn trên tập dữ liệu COCO Keypoints val2017. Tái tạo kết quả bằng lệnh yolo val pose data=coco-pose.yaml device=0
• Tốc độ được tính trung bình trên các hình ảnh COCO val sử dụng instance Amazon EC2 P4d. Tái tạo kết quả bằng lệnh yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
• Các giá trị Params và FLOPs dành cho model đã hợp nhất sau lệnh model.fuse(), giúp gộp các lớp Conv và BatchNorm, và đối với các model end2end, loại bỏ head phát hiện auxiliary one-to-many. Các checkpoint huấn luyện trước vẫn giữ nguyên kiến trúc huấn luyện đầy đủ và có thể hiển thị số lượng cao hơn.

Link to this sectionTrain#

Huấn luyện model YOLO26-pose trên tập dữ liệu COCO8-pose. Tập dữ liệu COCO8-pose là một tập dữ liệu mẫu nhỏ hoàn hảo cho việc kiểm thử và gỡ lỗi các model ước tính tư thế của bạn.

Xem chi tiết đầy đủ về chế độ train trong trang Train. Các model pose cũng có thể được huấn luyện trên GPU đám mây thông qua Ultralytics Platform.

Link to this sectionĐịnh dạng tập dữ liệu#

Định dạng tập dữ liệu pose của YOLO có thể được tìm thấy chi tiết trong Hướng dẫn về Tập dữ liệu. Để chuyển đổi tập dữ liệu hiện có của bạn từ các định dạng khác (như COCO, v.v.) sang định dạng YOLO, vui lòng sử dụng công cụ JSON2YOLO từ Ultralytics. Ultralytics Platform cũng hỗ trợ chú thích tư thế với các mẫu khung xương (skeleton) tích hợp cho người, tay, khuôn mặt và các bố cục điểm chính tùy chỉnh.

Đối với các tác vụ ước tính tư thế tùy chỉnh, bạn cũng có thể khám phá các tập dữ liệu chuyên biệt như Tiger-Pose để ước tính tư thế động vật, Hand Keypoints để theo dõi bàn tay, hoặc Dog-Pose để phân tích tư thế chó.

Link to this sectionVal#

Xác thực độ chính xác của model YOLO26n-pose đã huấn luyện trên tập dữ liệu COCO8-pose. Không cần tham số nào vì model vẫn giữ lại data huấn luyện và các tham số của nó dưới dạng thuộc tính của model.

Link to this sectionPredict#

Sử dụng một model YOLO26n-pose đã huấn luyện để chạy dự đoán trên hình ảnh. Chế độ dự đoán (predict mode) cho phép bạn thực hiện suy luận trên hình ảnh, video hoặc luồng thời gian thực.

Xem chi tiết chế độ predict đầy đủ trong trang Predict.

Link to this sectionKết quả đầu ra#

Ước tính tư thế trả về một đối tượng Results cho mỗi hình ảnh. Các trường dự đoán chính là result.keypoints cho tọa độ tư thế và result.boxes cho các thực thể được phát hiện mà các điểm chính đó thuộc về.

Đối với các trường Results dành riêng cho từng tác vụ trên mọi tác vụ, hãy xem phần Dự đoán kết quả theo tác vụ.

Link to this sectionExport#

Xuất model YOLO26n Pose sang các định dạng khác như ONNX, CoreML, v.v. Điều này cho phép bạn triển khai model của mình trên nhiều nền tảng và thiết bị khác nhau để thực hiện suy luận thời gian thực.

Các định dạng xuất khả dụng cho YOLO26-pose được liệt kê trong bảng dưới đây. Bạn có thể xuất sang bất kỳ định dạng nào bằng cách sử dụng tham số format, ví dụ: format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc xác thực trực tiếp trên các model đã xuất, ví dụ: yolo predict model=yolo26n-pose.onnx. Các ví dụ sử dụng được hiển thị cho model của bạn sau khi quá trình xuất hoàn tất.

Xem chi tiết export trong trang Export.

Link to this sectionFAQ#

Link to this sectionPose Estimation với Ultralytics YOLO26 là gì và nó hoạt động như thế nào?#

Pose estimation với Ultralytics YOLO26 bao gồm việc xác định các điểm cụ thể, được gọi là keypoints, trong một hình ảnh. Những keypoints này thường đại diện cho các khớp hoặc các đặc trưng quan trọng khác của đối tượng. Đầu ra bao gồm các tọa độ [x, y] và điểm số tin cậy (confidence score) cho mỗi điểm. Các model YOLO26-pose được thiết kế đặc biệt cho tác vụ này và sử dụng hậu tố -pose, ví dụ như yolo26n-pose.pt. Các model này được huấn luyện trước trên các bộ dữ liệu như COCO keypoints và có thể được sử dụng cho nhiều tác vụ pose estimation khác nhau. Để biết thêm thông tin, hãy truy cập Trang Pose Estimation.

Link to this sectionLàm cách nào để tôi train một model YOLO26-pose trên một bộ dữ liệu tùy chỉnh?#

Việc train một model YOLO26-pose trên bộ dữ liệu tùy chỉnh bao gồm việc tải model, có thể là một model mới được định nghĩa bởi tệp YAML hoặc một model đã được huấn luyện trước. Sau đó, bạn có thể bắt đầu quá trình training bằng cách sử dụng bộ dữ liệu và tham số mà bạn đã chỉ định.

Để biết chi tiết toàn diện về quá trình training, hãy tham khảo Mục Train. Bạn cũng có thể sử dụng Ultralytics Platform cho phương pháp training model pose estimation tùy chỉnh mà không cần lập trình.

Link to this sectionLàm cách nào để tôi validate một model YOLO26-pose đã được train?#

Việc validate model YOLO26-pose bao gồm việc đánh giá độ chính xác của nó bằng cách sử dụng các tham số bộ dữ liệu đã được giữ lại trong quá trình training. Dưới đây là một ví dụ:

Để biết thêm thông tin, hãy truy cập Mục Val.

Link to this sectionTôi có thể export model YOLO26-pose sang các định dạng khác không, và bằng cách nào?#

Có, bạn có thể export model YOLO26-pose sang nhiều định dạng khác nhau như ONNX, CoreML, TensorRT, và nhiều định dạng khác. Điều này có thể được thực hiện bằng cách sử dụng Python hoặc Command Line Interface (CLI).

Tham khảo Mục Export để biết thêm chi tiết. Các model đã export có thể được triển khai trên các thiết bị biên (edge device) cho các ứng dụng thời gian thực như theo dõi thể dục, phân tích thể thao, hoặc robotics.

Link to this sectionCác model Ultralytics YOLO26-pose hiện có là gì và các chỉ số hiệu suất của chúng ra sao?#

Ultralytics YOLO26 cung cấp nhiều model pose đã được huấn luyện trước như YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, cùng nhiều model khác. Các model này khác nhau về kích thước, độ chính xác (mAP), và tốc độ. Ví dụ, model YOLO26n-pose đạt mAPpose50-95 là 50.0 và mAPpose50 là 81.0. Để có danh sách đầy đủ và chi tiết về hiệu suất, hãy truy cập Mục Models.