Sleeping-post-detection-first-edition/docs/hi/tasks/pose.md

comments	description	keywords
true	Ultralytics YOLOv8 का उपयोग पोज निर्धारण कार्यों के लिए कैसे किया जाता है इसकी जानें। प्री-शिक्षित मॉडल ढूंढें, प्रशिक्षण, मान्यता प्राप्त करें, पूर्वानुमान लगाएं, और अपना खुद का निर्यात करें।	Ultralytics, YOLO, YOLOv8, pose estimation, keypoints detection, object detection, pre-trained models, machine learning, artificial intelligence

पोज निर्धारण

पोज निर्धारण एक कार्य है जिसमें एक छवि में विशेष बिंदुओं के स्थान की पहचान करना शामिल होता है, जिसे आमतौर पर कीपॉइंट्स के रूप में कहा जाता है। कीपॉइंट्स विभिन्न अंगों, भूमिकाओं या अन्य विशिष्ट सुविधाओं आदि के रूप में वस्तु के विभिन्न हिस्सों को प्रतिष्ठित कर सकते हैं। कीपॉइंट्स के स्थान आमतौर पर 2D [x, y] या 3D [x, y, दिखाई देने वाला] कोआर्डिनेट के सेट के रूप में प्रदर्शित होते हैं।

पोज निर्धारण मॉडल की उत्पादन एक छवि में वस्तु के कीपॉइंट्स को प्रतिष्ठित करने वाले कुछ बिंदुओं का सेट होती है, आमतौर पर हर बिंदु के लिए विश्वसनीयता स्कोर के साथ। पोज निर्धारण उचित विकल्प है जब आपको स्टीन में एक वस्तु के विशेष हिस्सों की पहचान करनी होती है और विभिन्न हिस्सों के लिए उनके स्थान की पहचान करनी होती है।

देखें: Ultralytics YOLOv8 के साथ पोज निर्धारण।

!!! Tip "युक्ति"

YOLOv8 _pose_ मॉडल में `-pose` सफिक्स का उपयोग किया जाता है, जैसे `yolov8n-pose.pt`। ये मॉडल [COCO कीपॉइंट](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) डेटासेट पर प्रशिक्षित होते हैं और विभिन्न पोज निर्धारण कार्यों के लिए उपयुक्त होते हैं।

मॉडल्स

YOLOv8 पूर्वानुमानित पोज मॉडलस यहाँ दिखाए जाते हैं। पहचानें, अंश और पोज मॉडल मुख्यतः COCO डेटासेट पर प्रशिक्षित हैं, जबकि क्लासिफाई मॉडल्स को ImageNet डेटासेट पर प्रशिक्षित किया जाता है।

पूर्वानुमानित मॉडल Models को Ultralytics के नवीनतम रिलीज़ से स्वचालित रूप से डाउनलोड करेंगे।

मॉडल	आकार (तत्व)	mAPपोज 50-95	mAPपोज 50	ह्वेग CPU ONNX (ms)	ह्वेग A100 TensorRT (ms)	पैराम्स (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 मान एकल मॉडल एकल स्केल पर COCO कीपॉइंट val2017 डेटासेट पर है।
  yolo val pose data=coco-pose.yaml device=0 के द्वारा पुनरोत्पादित करें
• Speed Amazon EC2 P4d इन्स्टेंस का उपयोग करते हुए COCO val छवियों पर औसतित गणना।
  yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu के द्वारा पुनरार्चन करें

ट्रेन

COCO128-pose डेटासेट पर YOLOv8-pose मॉडल को प्रशिक्षित करें।

!!! Example "उदाहरण"

=== "Python"

    ```python
    from ultralytics import YOLO

    # एक मॉडल लोड करें
    model = YOLO('yolov8n-pose.yaml')  # YAML से एक नया मॉडल बनाएँ
    model = YOLO('yolov8n-pose.pt')  # पूर्वानुमानित मॉडल लोड करें (प्रशिक्षण के लिए सिफारिश किया जाता है)
    model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # YAML से बनाएँ और वजन स्थानांतरित करें

    # मॉडल को प्रशिक्षित करें
    results = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # YAML से नया मॉडल बनाएँ और पूर्वानुमानित वजन स्थानांतरित करना शुरू करें
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640

    # पूर्वानुमानित *.pt मॉडल से प्रशिक्षण शुरू करें
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

    # YAML से नया मॉडल बनाएँ, पूर्वानुमानित वजनों को स्थानांतरित करें और प्रशिक्षण शुरू करें
    yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640
    ```

डेटासेट प्रारूप

YOLO पोज डेटासेट प्रारूप को विस्तार से डेटासेट गाइड में दिया गया है। अपनी मौजूदा डेटासेट को अन्य प्रारूपों (जैसे कि COCO आदि) से YOLO प्रारूप में रूपांतरित करने के लिए कृपया JSON2YOLO उपकरण का उपयोग करें।

मान्यता प्राप्त करें

COCO128-pose डेटासेट पर प्रशिक्षित YOLOv8n-pose मॉडल की सटीकता को मान्यता प्राप्त करें। model के रूप में कोई आर्ग्युमेंट पारित करने की आवश्यकता नहीं है प्रशिक्षण data और सेटिंग्स को मॉडल खिताबों के रूप में रखता है।

!!! Example "उदाहरण"

=== "Python"

    ```python
    from ultralytics import YOLO

    # एक मॉडल लोड करें
    model = YOLO('yolov8n-pose.pt')  # रिपोर्टेड मॉडल लोड करें
    model = YOLO('path/to/best.pt')  # एक कस्टम मॉडल लोड करें

    # मॉडल की सटीकता मान्यता प्राप्त करें
    metrics = model.val()  # कोई आर्ग्युमेंट आवश्यक नहीं है, डेटासेट और सेटिंग्स याद रखा जाता है
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # प्रत्येक श्रेणी के map50-95 सूची में है
    ```
=== "CLI"

    ```bash
    yolo pose val model=yolov8n-pose.pt  # आधिकारिक मॉडल मान्यांकन करें
    yolo pose val model=path/to/best.pt  # कस्टम मॉडल को मान्यता प्राप्त करें
    ```

पूर्वानुमान लगाएं

प्रशिक्षित YOLOv8n-pose मॉडल के साथ छवियों पर पूर्वानुमान चलाएं।

!!! Example "उदाहरण"

=== "Python"

    ```python
    from ultralytics import YOLO

    # एक मॉडल लोड करें
    model = YOLO('yolov8n-pose.pt')  # रिपोर्टेड मॉडल लोड करें
    model = YOLO('path/to/best.pt')  # एक कस्टम मॉडल लोड करें

    # मॉडल के साथ पूर्वानुमान करें
    results = model('https://ultralytics.com/images/bus.jpg')  # एक छवि पर पूर्वानुमान करें
    ```
=== "CLI"

    ```bash
    yolo pose predict model=yolov8n-pose.pt source='https://ultralytics.com/images/bus.jpg'  # आधिकारिक मॉडल के साथ पूर्वानुमान लगाएं
    yolo pose predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # कस्टम मॉडल के साथ पूर्वानुमान लगाएं
    ```

एक्सपोर्ट

YOLOv8n पोज मॉडल को ONNX, CoreML जैसे अन्य प्रारूप में निर्यात करें।

!!! Example "उदाहरण"

=== "Python"

    ```python
    from ultralytics import YOLO

    # एक मॉडल लोड करें
    model = YOLO('yolov8n-pose.pt')  # रिपोर्टेड मॉडल लोड करें
    model = YOLO('path/to/best.pt')  # एक कस्टम प्रशिक्षित मॉडल लोड करें

    # मॉडल को निर्यात करें
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-pose.pt format=onnx  # आधिकारिक मॉडल को निर्यात करें
    yolo export model=path/to/best.pt format=onnx  # कस्टम प्रशिक्षित मॉडल को निर्यात करें
    ```

निर्यात के लिए उपलब्ध YOLOv8-pose निर्यात प्रारूप नीचे करें दिए गए हैं। आप निर्यात किए गए मॉडल पर सीधा पूर्वानुमान या मान्यता कर सकते हैं, उदाहरण के लिए yolo predict model=yolov8n-pose.onnx। निर्यात पूरा होने के बाद अपने मॉडल के उपयोग के उदाहरण दिखाए गए हैं।

प्रारूप	format आर्ग्युमेंट	मॉडल	मेटाडेटा	आर्ग्युमेंट।
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

निर्यात विवरण के लिए निर्यात पृष्ठ देखें।