学习python使用Ultralytics的YOLO26进行姿势估计的基本用法

Ultralytics的YOLO26模型提供专门的姿势估计模型以支持姿势估计其主要预训练模型及参数如下表所示其中的e2e 代表端到端性能。姿势估计模型的输出是一组点这些点代表图像中对象上的关键点通常还包括每个点的置信度分数。YOLO26的姿势估计模型的输出数据形状为[N, K, D]其中N为从图片中检测到的人数K为每个人体的关节/特征点数量关键点由于预训练模型采用COCO格式K通常为17每个关键点代表人体不同的部位下图为每个索引与其对应身体关节的映射关系D为每个关键点的属性包括关键点的坐标x、y以及置信度分数。不过将姿势估计模型转换为onnx格式后其输出形状变为[1,300,57]的形式具体解析方式后续再学习。YOLO类的predict函数返回结果中最重要的属性为keypoints该属性中保存了从图像中检测出的所有人体的关键点信息keypoints的主要属性如下图所示详细说明见参考文献4。最后是示例程序及程序运行效果如下所示fromultralyticsimportYOLO modelYOLO(rE:\MyPrograms\Python\ultralytics\yolo26m-pose.pt)resultsmodel.predict(sourcelongqi.jpg,# 图片路径saveTrue,# 自动保存结果到 runs/pose/predictshowTrue,conf0.5,# 置信度阈值imgsz640# 输入图像尺寸)# 获取关键点forresultinresults:print(result.keypoints.xy)print(result.keypoints.conf)[1]https://docs.ultralytics.com/zh/models/yolo26/[2]https://docs.ultralytics.com/zh/tasks/pose/[3]https://docs.ultralytics.com/zh/datasets/pose/coco/[4]https://deepwiki.com/ultralytics/ultralytics/5.2-annotation-and-plotting-utilities