实时 YOLO 姿态估计
使用 Ultralytics YOLO26 姿态模型在实时视频中跟踪身体关键点和骨架。通过快速的训练和部署工作流构建健身、体育分析、安全和人体工程学应用。
YOLO26 姿态模型
YOLO26-pose 模型可以在一次处理中检测人员并预测身体关键点，速度快到足以在普通硬件上处理实时视频。五种尺寸涵盖了从边缘设备到精度关键型分析的各种需求，并且可以通过标准的 Ultralytics 工作流训练自定义关键点集。
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 pose model
model = YOLO("yolo26n-pose.pt")
# Run inference
results = model("image.jpg")| 模型 | 尺寸 (px) | mAP 姿态 (e2e) | mAP 姿态 50 (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | 参数量 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n-pose | 640 | 57.2 | 83.3 | 40.3 ± 0.5 | 1.8 ± 0.0 | 2.9 | 7.5 |
| YOLO26s-pose | 640 | 63.0 | 86.6 | 85.3 ± 0.9 | 2.7 ± 0.0 | 10.4 | 23.9 |
| YOLO26m-pose | 640 | 68.8 | 89.6 | 218.0 ± 1.5 | 5.0 ± 0.1 | 21.5 | 73.1 |
| YOLO26l-pose | 640 | 70.4 | 90.5 | 275.4 ± 2.4 | 6.5 ± 0.1 | 25.9 | 91.3 |
| YOLO26x-pose | 640 | 71.6 | 91.6 | 565.4 ± 3.0 | 12.2 ± 0.2 | 57.6 | 201.7 |
来自 Ultralytics 文档的 YOLO26 姿态基准测试。
深受全球领先组织信赖
我们模型的影响力
利用我们尖端的视觉 AI 模型简化跨行业的流程。由 Ultralytics 提供支持，兼具速度、准确性和易用性。
Ultralytics YOLO 模型的发展历程
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进为边缘就绪的 YOLO26 推理。
通过快速、实用的 PyTorch 工作流程，让实时目标检测变得触手可及。
扩展了跨检测、分割、分类、姿态和 OBB 的统一工作流程。
在保持熟悉的 Ultralytics 工作流程的同时，提高了准确性、速度和效率。
引入了端到端推理和针对高效边缘部署优化的架构。
利用智能标注，标注速度提升至多 10 倍
Ultralytics Platform 为你提供图像标注工具，助你更快地构建高质量数据集。从智能标注到精确的手动编辑，这些功能旨在缩短图像标注时间，同时保证高质量。
- 基于 SAM 的智能标注：一键生成掩码和边界框（BBox）。
- 全面的 AI 任务覆盖：检测、实例分割、语义分割、分类、姿态估计、OBB。
- 通用格式支持：你可以选择 YOLO、COCO、VOC 等格式。
- 团队评审与版本控制：每一步都能实现清晰的协作。
以更低成本在最好的 GPU 上进行训练
26 款 NVIDIA GPU，价格低至 $0.24/小时 — 从 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
随处部署
导出为 20 种格式，并在边缘端、云端和移动端进行部署。
探索行业解决方案
了解团队如何在生产环境中应用 Ultralytics 计算机视觉。
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
常见问题
姿态估计用于检测人物或物体并预测其关键点的位置——对于人类而言，通常是 17 个身体关节，例如肩膀、肘部和膝盖。连接这些关键点可以形成描述姿势和动作的骨架。Ultralytics YOLO 姿态模型能在一次处理中检测并估计关键点，速度足以支撑实时视频。
常见应用包括健身中的锻炼姿势分析和重复次数计数、体育运动中的技术分析、工作场所安全中的跌倒检测和人体工程学监测，以及手势驱动的界面。由于 Ultralytics 姿态模型可以实时运行，这些应用在实时摄像流上也能正常工作，包括在边缘设备上。
Ultralytics YOLO26 姿态模型是推荐的起点，它们在 COCO 关键点数据集上进行了预训练，并提供从 nano 到超大等多种尺寸。YOLO11 姿态模型也依然支持，并具有相同的 API。
可以。关键点集由你的数据集定义，因此你可以为动物、机械或任何具有一致地标的结构训练模型。标注关键点，在数据集文件中配置它们的数量和骨架，然后运行 train 模式，或者在 Ultralytics Platform 上管理整个工作流。
使用 export 模式将姿态模型导出为 ONNX、TensorRT、CoreML、OpenVINO、LiteRT 等格式。关键点输出是导出模型的一部分，因此移动端和边缘端应用无需额外的后处理库即可直接使用姿态数据。
使用 Ultralytics 构建姿态估计
标注关键点，训练 YOLO26 姿态模型，并使用 Ultralytics Platform 将其部署到任何地方。