Ultralytics YOLO26 и другие модели Ultralytics YOLO для оценки позы

Когда ты смотришь на осанку человека, легко заметить, сутулится ли он, наклоняется вперёд или стоит прямо. Люди быстро понимают, как разные части тела соотносятся друг с другом.

Это неотъемлемая часть того, как мы в повседневной жизни воспринимаем движения и язык тела. Однако для машин такое визуальное понимание не возникает само собой. Чтобы научить систему распознавать движения и структуру, нужны передовые методы глубокого обучения и компьютерного зрения, позволяющие ей осмысленно интерпретировать изображения.

В частности, оценка позы — это метод компьютерного зрения, который позволяет модели компьютерного зрения выстраивать подобное понимание. Вместо простого обнаружения объекта на изображении модель предсказывает ключевые точки, соответствующие важным структурным ориентирам.

Эти ключевые точки могут соответствовать суставам тела, конечностям животных, компонентам оборудования и даже фиксированным точкам, например углам спортивной площадки. Определяя и отслеживая эти точки, система может структурированно и измеримо анализировать положение, выравнивание и движение.

По мере применения оценки позы в новых реальных сценариях моделям приходится эффективнее работать с ключевыми точками, не связанными с человеком, сложными сценами и пользовательскими наборами данных. Например, современные модели, такие как Ultralytics YOLO26, поддерживают задачи компьютерного зрения, включая оценку позы, и развивают идеи предыдущих моделей YOLO для оценки позы благодаря усовершенствованиям архитектуры и обучения, повышающим гибкость и общую производительность.

Рис. 1. Пример оценки позы с помощью YOLO (Источник)

В этой статье мы сравним YOLO26-pose с предыдущими моделями Ultralytics YOLO для оценки позы и расскажем, как новая модель повышает гибкость, скорость сходимости и производительность в сложных сценах. Начнём!

Что такое оценка позы?#

Прежде чем перейти к сравнению моделей Ultralytics YOLO для оценки позы, давай подробнее разберёмся, что именно означает оценка позы в контексте компьютерного зрения.

Оценка позы — это метод обнаружения и отслеживания определённых ключевых точек на изображении или кадре видео. Эти точки могут соответствовать важным структурным ориентирам: например, суставам человеческого тела, конечностям животного, компонентам машины или фиксированным ориентирам на сцене.

Рис. 2. Оценка позы работников с помощью оценки позы человека (Источник)

Определив координаты этих точек, модель может понять, как расположен объект и как он движется со временем. В отличие от классификации изображений, которая присваивает метку всему изображению, или моделей обнаружения объектов, которые обводят объекты ограничивающими рамками, оценка позы предоставляет более подробную пространственную информацию о структуре и движении.

Обзор Ultralytics YOLO26-pose#

YOLO26-pose доступна в нескольких вариантах, или размерах моделей: от лёгких моделей, таких как YOLO26n-pose, до более крупных — YOLO26m-pose, YOLO26l-pose и YOLO26x-pose. Это позволяет командам подобрать оптимальный баланс скорости и точности с учётом своего оборудования и требований к производительности.

Ultralytics также предлагает предварительно обученные модели для оценки позы, обученные на крупных универсальных наборах данных, таких как COCO, а именно на аннотациях COCO-Pose (ключевые точки COCO) для оценки позы человека, поэтому тебе не придётся начинать с нуля. Обычно команды дообучают эти модели на собственных наборах данных, чтобы адаптировать их к конкретным ключевым точкам, схемам разметки или условиям среды.

Обычно для этого подготавливают пользовательские файлы аннотаций со структурированными координатами ключевых точек и метками классов. В этих аннотациях ключевые точки сопоставляются с конкретными координатами пикселей на изображениях, что позволяет модели учиться точно определять пространственные взаимосвязи.

Использование предварительно обученных моделей ускоряет обучение, снижает требования к объёму данных и помогает быстрее переводить проекты в промышленную эксплуатацию.

Практические применения оценки позы человека#

Вот несколько примеров практического применения оценки позы:

• Здравоохранение и реабилитация: Врачи могут использовать модели оценки позы, чтобы оценивать осанку, отслеживать прогресс восстановления и анализировать характер движений во время физиотерапии.
• Автономные системы: Дроны и умные камеры могут использовать информацию о позе, чтобы точнее распознавать ориентацию объектов и их движение в динамичных сценах.
• Безопасность на рабочем месте: Организации могут отслеживать положение тела и повторяющиеся движения, чтобы выявлять потенциальные риски для безопасности.
• Фитнес и персональные тренировки: Фитнес-приложения используют оценку позы, чтобы отслеживать правильность выполнения упражнений, считать повторения и в реальном времени давать обратную связь об осанке и движениях во время фитнес-тренировок.

Рис. 3. Оценка позы помогает отслеживать ключевые точки тела при спортивных движениях. (Источник)

Возможности Ultralytics YOLO26 для оценки позы#

Ultralytics YOLO26 развивает предыдущие модели Ultralytics YOLO и включает обновления, упрощающие обучение и развертывание на практике.

Как и предыдущие версии, эта модель поддерживает оценку позы в рамках единой платформы. Главное отличие в том, что Ultralytics YOLO26 рассчитана на большую гибкость и стабильность в более широком спектре практических сценариев.

Рис. 4. Сравнение производительности YOLO26 (Источник)

На предыдущие модели Ultralytics YOLO для оценки позы во многом повлияли наборы данных для оценки позы человека, поэтому некоторые аспекты прежних методов были оптимизированы под структуру человеческих суставов. В YOLO26 эти предположения, связанные с человеком, устранены.

В результате модель лучше подходит для работы с ключевыми точками, не связанными с человеком, например при обнаружении углов теннисного корта или других пользовательских структурных ориентиров. Это важно, поскольку предварительно обученные модели Ultralytics YOLO26-pose из коробки обучены на наборах данных, таких как COCO-pose, и предсказывают ключевые точки человека, определённые в аннотациях этих наборов данных.

Однако если командам нужно обнаруживать другие типы ориентиров, например компоненты оборудования, метки на спортивных площадках или точки на объектах инфраструктуры, модель обычно требуется дообучить на пользовательском наборе данных с аннотациями соответствующих ключевых точек.

Поскольку Ultralytics YOLO26 не опирается на предположения о структуре человеческих суставов, модель эффективнее адаптируется при дообучении. Благодаря этой гибкости модель надёжнее усваивает пользовательские схемы расположения ключевых точек, что улучшает метрики оценки при проверке на наборах данных с уникальной конфигурацией ключевых точек.

Ultralytics YOLO26-pose также разработана для более точного определения местоположения ключевых точек, когда части объекта частично скрыты или видны в очень маленьком масштабе. В реальных сценах с удалёнными объектами, съёмкой с дронов или мелкими объектами это может обеспечить более точные предсказания ключевых точек по сравнению с предыдущими моделями для оценки позы.

Ещё одно важное обновление — улучшенная формула функции потерь, используемая при обучении. Функция потерь определяет, как модель исправляет ошибки в процессе обучения.

В случае с Ultralytics YOLO26-pose этот процесс эффективнее, благодаря чему модель быстрее обучается и достигает высокой точности за меньшее число эпох; эпоха — это один полный проход по обучающему набору данных.

В целом YOLO26-pose развивает предыдущие модели Ultralytics YOLO для оценки позы, заметно улучшая поддержку ключевых точек у объектов, не являющихся людьми, и сходимость при обучении, сохраняя при этом привычный рабочий процесс.

Сравнение YOLO26-pose и Ultralytics YOLOv5#

Самая ранняя версия моделей Ultralytics YOLO — Ultralytics YOLOv5 — создавалась прежде всего для обнаружения объектов. Позже YOLOv5 получила поддержку сегментации экземпляров, но в официальном фреймворке Ultralytics в неё не входит специализированная встроенная голова для оценки позы.

Команды, которым требовалось обнаруживать ключевые точки, обычно использовали отдельные реализации или собственные модификации. В Ultralytics YOLO26 оценка позы реализована как встроенная задача, для которой предусмотрена отдельная архитектурная голова, специально разработанная для предсказания ключевых точек.

Модели Ultralytics YOLO26-pose можно обучать, валидировать и развёртывать в рамках того же единого рабочего процесса, что и модели для обнаружения и сегментации. Для проектов, ориентированных на структурированное обнаружение ключевых точек, YOLO26 предлагает встроенную поддержку оценки позы и специализированную архитектуру, которой нет в YOLOv5 из коробки.

Ключевые отличия YOLO26-pose от Ultralytics YOLOv8-pose#

Ultralytics YOLOv8 добавила встроенную оценку позы в единый фреймворк Ultralytics, упростив обучение и развёртывание моделей для обнаружения ключевых точек в том же рабочем процессе, что и для обнаружения и сегментации. В ней используется традиционный конвейер постобработки с подавлением немаксимумов (NMS), а также более ранние формулировки функций потерь для регрессии ограничивающих рамок и обучения.

Ultralytics YOLO26 развивает эту основу за счёт архитектурных изменений и обновлений обучения, которые напрямую влияют на оценку позы. Одно из главных отличий — сквозная архитектура. YOLO26 устраняет необходимость во внешнем NMS на этапе инференса, упрощая развёртывание и повышая стабильность задержки, особенно на CPU и периферийных устройствах.

Ещё одно важное улучшение касается методики обучения. В Ultralytics YOLO26 появился оптимизатор MuSGD и обновлённые стратегии работы с функциями потерь. Для задач оценки позы модель использует оценку остаточного логарифмического правдоподобия, что улучшает моделирование неопределённости ключевых точек. В совокупности эти изменения могут ускорить сходимость и сделать предсказания ключевых точек стабильнее, особенно в сложных сценах и при частичном перекрытии объектов.

Кратко говоря, Ultralytics YOLOv8-pose стала надёжной и универсальной базовой моделью. YOLO26-pose совершенствует эту основу: обучение становится эффективнее, модель лучше справляется с перекрытиями и подходит для более широкого круга реальных задач оценки позы объектов, не являющихся людьми.

YOLO26-pose и Ultralytics YOLO11-pose: что улучшилось?#

Ultralytics YOLO11 развивает Ultralytics YOLOv8, совершенствуя базовую сеть и слои извлечения признаков. В ней снизилось количество FLOPs, повысилась эффективность использования параметров и вырос mAP при сохранении высокой производительности в реальном времени. Для задач оценки позы это означает более точное обнаружение ключевых точек при облегчённой архитектуре.

YOLO26-pose продолжает это развитие, предлагая более фундаментальные архитектурные изменения. Проще говоря, YOLO11 повысила эффективность и точность YOLOv8, а YOLO26 развивает эту основу за счёт архитектурных изменений и обновлений обучения, направленных на ускорение сходимости, повышение стабильности инференса и улучшение точности оценки позы в сложных сценариях.

Почему стоит начать использовать модель Ultralytics YOLO26 для оценки позы?#

Изучая различия между моделями Ultralytics YOLO, ты можешь задуматься, стоит ли переходить на YOLO26-pose.

Краткий ответ: перейти на новую версию просто. Если ты уже используешь Ultralytics YOLOv8-pose или Ultralytics YOLO11-pose, для перехода на YOLO26-pose обычно достаточно сменить версию модели — перестраивать конвейер не нужно.

Ты получишь улучшенную поддержку ключевых точек у объектов, не являющихся людьми, более быструю сходимость при обучении и более эффективную обработку перекрытых точек — и всё это в том же фреймворке Ultralytics. Для большинства новых и существующих проектов по оценке позы переход на YOLO26-pose — простой способ воспользоваться этими улучшениями без лишних сложностей.

Кроме того, YOLO26-pose полностью поддерживается в пакете Ultralytics Python, созданном на базе PyTorch и упрощающем обучение, валидацию и развёртывание. Модели можно экспортировать в такие форматы, как ONNX, TensorRT, OpenVINO, CoreML и TFLite, что упрощает развёртывание на GPU, CPU и периферийных устройствах без изменения общего рабочего процесса.

Главные выводы#

Ultralytics YOLO26-pose делает оценку позы более гибкой и надёжной, особенно при работе с ключевыми точками объектов, не являющихся людьми, или со сложными сценами. Модель быстрее обучается, лучше справляется с перекрытиями и выдаёт более стабильные результаты на разных наборах данных. Для команд, уже использующих модели Ultralytics YOLO для оценки позы, YOLO26 предлагает заметные улучшения без изменения существующих рабочих процессов.

Хочешь узнать больше об ИИ? Загляни в наше сообщество и репозиторий GitHub. Изучи страницы наших решений, чтобы узнать об ИИ в робототехнике и компьютерном зрении в сельском хозяйстве. Ознакомься с вариантами лицензирования и начни создавать решения на основе компьютерного зрения уже сегодня!