Skip to main content

姿态估计-Ultralytics YOLO11

本示例展示了如何基于 hbm_runtime 在 BPU 上运行 Ultralytics YOLO11 姿态估计模型，实现人体关键点检测与可视化。支持模型预处理、推理执行与后处理（含关键点解码、边界框绘制、关键点标注），本示例代码位于/app/pydev_demo/04_pose_sample/01_ultralytics_yolo11_pose/目录下。

模型说明​

  • 简介：

    Ultralytics YOLO11 Pose 是一款高效的轻量级人体关键点检测模型，支持同时进行目标检测与姿态估计（多关键点预测）。它集成 Distribution Focal Loss（DFL）以增强边界框与关键点的定位精度，适用于实时应用场景中的多人体姿态识别任务。

  • HBM 模型名称： yolo11n_pose_nashe_640x640_nv12.hbm

  • 输入格式： NV12 格式图像（Y、UV 分离），尺寸为 640×640

  • 输出：

    • 每个人的边界框坐标（xyxy）

    • 关键点位置（K×2，x/y 坐标）

    • 每个关键点的置信度得分

    • 支持 COCO 人体关键点格式（常见为 17 点）

  • 模型下载地址（程序自动下载）：

    https://archive.d-robotics.cc/downloads/rdk_model_zoo/rdk_s100/ultralytics_YOLO/yolo11n_pose_nashe_640x640_nv12.hbm

功能说明​

  • 模型加载

    使用 hbm_runtime 加载指定的 Ultralytics YOLO11 姿态估计模型，自动解析模型的输入输出张量名称、形状与量化参数。

  • 输入预处理

    将输入的 BGR 图像 resize 到 640×640，并转为 NV12 格式（Y、UV 分离），用于模型推理。

  • 推理执行

    调用 .run() 接口执行推理，同时支持设置运行优先级和 BPU 核心绑定，通过 set_scheduling_params() 实现。

  • 结果后处理

    • 解码多尺度输出中的边界框（使用 DFL 分箱解码）；

    • 解码关键点位置与置信度（K×2 + K）；

    • 使用 NMS 去除冗余检测框；

    • 将关键点坐标和边界框映射回原始图像尺寸；

    • 提供阈值控制仅显示高置信度关键点；

    • 支持图像可视化，包括检测框与关键点绘制。

环境依赖​

本样例无特殊环境需求，只需确保安装了pydev中的环境依赖即可。

pip install -r ../../requirements.txt

目录结构​

.
├── ultralytics_yolo11_pose.py    # 主推理脚本
└── README.md                     # 使用说明

参数说明​

参数名说明默认值
--model-path模型文件路径（.hbm 格式）/opt/hobot/model/s100/basic/yolo11n_pose_nashe_640x640_nv12.hbm
--test-img测试图像路径/app/res/assets/bus.jpg
--label-file类别标签路径，每行一个类别名称/app/res/labels/coco_classes.names
--img-save-path检测结果保存路径result.jpg
--priority模型调度优先级（0~255，数值越大优先级越高）0
--bpu-cores推理所使用的 BPU 核心编号列表（如：--bpu-cores 0 1）[0]
--nms-thres非极大值抑制（NMS）中的 IoU 阈值0.7
--score-thres目标置信度阈值（低于该值的目标将被过滤）0.25
--kpt-conf-thres关键点可视化置信度阈值（低于该值的关键点将不显示）0.5

快速运行​

  • 运行模型

    • 使用默认参数 
      python ultralytics_yolo11_pose.py
    • 指定参数运行 
      python ultralytics_yolo11_pose.py \
      --model-path /opt/hobot/model/s100/basic/yolo11n_pose_nashe_640x640_nv12.hbm \
      --test-img /app/res/assets/bus.jpg \
      --label-file /app/res/labels/coco_classes.names \
      --img-save-path result.jpg \
      --priority 0 \
      --bpu-cores 0 \
      --score-thres 0.25 \
      --nms-thres 0.7 \
      --kpt-conf-thres 0.5

  • 查看结果

    运行成功后，会将结果绘制在原图上，并保存到 --img-save-path 指定路径

    [Saved] Result saved to: result.jpg

注意事项​

  • 若指定模型路径不存在，程序将尝试自动下载模型。

License​

Copyright (C) 2025，XiangshunZhao D-Robotics.

This program is free software: you can redistribute it and/or modify
it under the terms of the GNU Affero General Public License as
published by the Free Software Foundation, either version 3 of the
License, or (at your option) any later version.

This program is distributed in the hope that it will be useful,
but WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
GNU Affero General Public License for more details.

You should have received a copy of the GNU Affero General Public License
along with this program.  If not, see <https://www.gnu.org/licenses/>.
Last updated on