YOLO 姿态估计数据集完全指南：Ultralytics 标签格式、YAML 配置与实战训练（YOLOv10 仓库视角）

YOLO 姿态估计数据集完全指南：Ultralytics 标签格式、YAML 配置与实战训练（YOLOv10 仓库视角）

【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10

本指南以 YOLOv10 仓库中姿态估计（Pose Estimation）数据集文档为核心，系统讲解 Ultralytics YOLO 姿态标签格式、数据集 YAML 配置、官方支持的 COCO-Pose / COCO8-Pose / Tiger-Pose 数据集，以及 COCO 标注转 YOLO 格式的转换工具。读完本文，你将掌握从数据集准备、配置编写到启动姿态估计模型训练与验证的完整链路，并理解底层源码的关键实现细节。

姿态估计任务与数据集的核心作用

姿态估计（Pose Estimation）是计算机视觉中的一项核心任务：给定一张图像，模型需要定位目标对象上的若干关键点（Keypoints），例如人体的鼻子、眼睛、肩膀、肘部、手腕、臀部、膝盖和脚踝。这些关键点通常以二维[x, y]坐标表示，部分数据集还会附加可见性标记，形成三维[x, y, visible]表示。

在 YOLO 系列模型中，姿态估计属于pose任务（对应仓库中的 pose 任务文档）。与目标检测只输出边界框不同，姿态估计在边界框的基础上额外输出每个关键点的位置与置信度。这一任务的落地质量高度依赖数据集的标签格式是否规范——这正是本文要重点展开的内容。

在 YOLOv10 仓库中，姿态任务的底层实现分布在 pose 预测/训练/验证模块 与 Pose 检测头 中，它们全部围绕统一的标签与配置规范工作，理解这份规范是使用该仓库进行姿态训练的第一步。

Ultralytics YOLO 姿态标签格式

训练 YOLO 姿态模型所使用的数据集标签格式遵循以下三条组织规则：

1. 每个图像对应一个文本文件：数据集中每张图片都有一个同名（仅扩展名不同）的.txt标签文件；
2. 每行对应一个目标实例：文本文件中的每一行描述图像中的一个目标对象；
3. 每行包含完整的实例信息：类别索引、边界框中心坐标、边界框宽高，以及全部关键点坐标，所有数值均归一化到 0～1 之间，坐标之间以空格分隔。

二维格式（Dim = 2）

当关键点只有x、y两个维度（不记录可见性）时，每行格式为：

<class-index> <x> <y> <width> <height> <px1> <py1> <px2> <py2> ... <pxn> <pyn>

三维格式（Dim = 3）

当关键点包含可见性维度时，每个关键点额外携带一个可见性标记：

<class-index> <x> <y> <width> <height> <px1> <py1> <p1-visibility> <px2> <py2> <p2-visibility> <pxn> <pyn> <pn-visibility>

其中<class-index>是目标类别索引（例如 0 代表人、1 代表车），<x> <y> <width> <height>是归一化后的边界框信息（中心坐标与宽高），<px1> <py1> ... <pxn> <pyn>是归一化后的关键点像素坐标。

实际标签示例（COCO-Pose 人体 17 关键点）

COCO-Pose 采用 17 个关键点（鼻子、双眼、双耳、双肩、双肘、双腕、双髋、双膝、双踝），其标签文件的一行大致如下（数值为示意，实际以归一化坐标为准）：

0 0.5321 0.6123 0.2245 0.8111 0.5312 0.5112 3 0.5213 0.5122 3 0.5314 0.5222 2 0.5415 0.6033 2 0.5516 0.6044 3 0.5617 0.7025 3 0.5718 0.7133 3 0.5819 0.7422 2 0.5910 0.7431 2 ...

注：标签文件中的边界框与关键点坐标均为相对于图像宽高的归一化值。生成标签时，将像素坐标除以图像宽度/高度即可得到。该归一化逻辑在 COCO 转 YOLO 转换器 中有直接的源码体现：box[:2] += box[2:] / 2（左上角坐标转中心坐标），再分别除以w与h。

数据集 YAML 配置详解

Ultralytics 框架使用 YAML 文件定义数据集与模型配置。姿态数据集的核心 YAML 结构如下（节选自仓库中的 coco8-pose.yaml）：

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: ../datasets/coco8-pose # dataset root dir train: images/train # train images (relative to 'path') 4 images val: images/val # val images (relative to 'path') 4 images test: # test images (optional) # Keypoints kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible) flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15] # Classes dictionary names: 0: person

各字段含义如下：

flip_idx 的作用与写法

当关键点具有左右对称性（如人体左右侧、人脸左右眼）时，数据增强中的水平翻转（flip）会导致左右关键点互换。flip_idx正是用来描述这种交换关系的索引映射。

原文档给出的示例：假设人脸关键点为[left eye, right eye, nose, left mouth, right mouth]，原始索引为[0, 1, 2, 3, 4]，则翻转后索引变为[1, 0, 2, 4, 3]——即交换 0↔1、3↔4，鼻子（索引 2）保持不变。COCO 人体 17 关键点的flip_idx为[0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]，本质上是让左右眼、左右耳、左右肩等成对交换。

注意：如果关键点不具备对称性（如 tiger-pose.yaml 中的动物姿态），flip_idx应保持为恒等映射[0, 1, 2, ..., n-1]，仓库中老虎姿态数据集正是这样配置的。

仓库中的三份官方姿态数据集 YAML

• coco-pose.yaml：kpt_shape: [17, 3]，train指向train2017.txt（118287 张）、val指向val2017.txt（5000 张），并内置完整的下载脚本（先下载 pose 标签压缩包，再下载 train/val/test 图像）；
• coco8-pose.yaml：kpt_shape: [17, 3]，训练/验证各 4 张共 8 张图像，download字段直接给出 1 MB 的压缩包地址，适合快速跑通流水线；
• tiger-pose.yaml：kpt_shape: [12, 2]（12 个关键点、无可见性维度）、flip_idx为恒等映射，训练 210 张、验证 53 张，下载地址约 75.3 MB。

从源码结构看，kpt_shape中的维度数直接决定标签解析与模型输出：二维关键点输出2 * n个通道，三维关键点输出3 * n个通道，这一点在 YOLOv8-pose 模型配置（nc: 1、kpt_shape: [17, 3]）与 Pose 检测头 中均有体现。

使用姿态数据集训练模型

在 YOLOv10 仓库中，通过ultralytics包加载官方预训练模型即可开始姿态训练。以下以 COCO8-Pose 为例：

from ultralytics import YOLO # 加载模型（推荐加载预训练权重用于迁移学习） model = YOLO('yolov8n-pose.pt') # 训练模型 results = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)

对应的 CLI 方式：

# 从预训练 *.pt 模型开始训练 yolo detect train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

更规范的写法是显式指定任务类型（详见 train 模式文档）：

yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

训练结束后，可以使用model.val()验证精度，或使用model.predict(source=...)对图像、视频甚至流媒体进行推理。值得留意的是，仓库的 PoseValidator 在验证阶段专门引入了姿态指标：它继承自DetectionValidator，使用OKS_SIGMA与kpt_iou计算基于 OKS（Object Keypoint Similarity）的关键点相似度，并输出 mAP50/mAP50-95 等姿态专用指标——这说明姿态数据的质量直接决定这些指标的可靠性。

官方支持的姿态数据集

以下是本仓库中与 Ultralytics YOLO 格式兼容、可用于训练姿态估计模型的官方数据集。

COCO-Pose（大规模人体姿态）

• 简介：COCO-Pose 是 COCO（Common Objects in Context）数据集的姿态专用子集，基于 COCO Keypoints 2017 的图像与标注构建，用于训练 YOLO 等模型的姿态估计能力；
• 规模：包含超过 20 万张带关键点标注的图像（即 200K+ labeled images），train2017 约 11.8 万张，val2017 5000 张；
• 类别数：1 类（Human）；
• 关键点：17 个，包括鼻子、双眼、双耳、双肩、双肘、双腕、双髋、双膝、双踝；
• 标签格式：与前述 Ultralytics YOLO 格式一致；
• 评估指标：与 COCO 一致，提供 OKS（Object Keypoint Similarity）标准化评估指标，便于横向对比模型性能；
• 适用场景：人体姿态估计模型的训练与评测；
• 详细说明见 COCO-Pose 数据集文档。

COCO8-Pose（微型快速验证集）

• 简介：由 COCO train2017 前 8 张图像组成的小型姿态数据集，训练 4 张、验证 4 张；
• 规模：仅 8 张图像（约 1 MB），既能轻松管理又足以暴露训练流水线中的错误；
• 类别数：1 类（Human）；
• 关键点：17 个，与 COCO-Pose 相同；
• 标签格式：与 Ultralytics YOLO 格式一致；
• 适用场景：模型测试调试、新方法实验、冒烟测试（sanity checks）与 CI 检查的理想选择；
• 详细说明见 COCO8-Pose 数据集文档。

Tiger-Pose（动物姿态）

• 简介：由 263 张图像组成的动物姿态数据集（源自一段老虎行走视频），其中 210 张用于训练、53 张用于验证；
• 类别数：1 类（Tiger）；
• 关键点：12 个，且无可见性维度（对应 YAML 中kpt_shape: [12, 2]）；
• 标签格式：与 Ultralytics YOLO 格式一致；
• 适用场景：动物姿态及其他非人体姿态估计任务，是验证姿态算法、排查流水线问题的优秀小型数据集；
• 详细说明见 Tiger-Pose 数据集文档。

以上三份数据集的 YAML 配置均在仓库中可直接查阅：coco-pose.yaml、coco8-pose.yaml、tiger-pose.yaml。

添加自有数据集

如果你拥有自己的姿态数据集并希望用 Ultralytics YOLO 格式训练，只需完成两步：

1. 格式转换：将你的标注转换为前述 "Ultralytics YOLO 标签格式"——每个图像一个.txt标签文件、每行一个实例、数值归一化到 0～1；
2. 编写 YAML：在 YAML 配置文件中指定图像路径、关键点数量与维度（kpt_shape）、翻转索引（flip_idx，对称关键点才需要）、类别数量与类别名（names），参考上文给出的 YAML 模板即可。

COCO 标注转 YOLO 格式：convert_coco 工具

Ultralytics 提供开箱即用的转换工具convert_coco，可将 COCO 格式（或任何符合 COCO 标注结构的）数据集转换为 Ultralytics YOLO 格式：

from ultralytics.data.converter import convert_coco convert_coco(labels_dir='path/to/coco/annotations/', use_keypoints=True)

use_keypoints=True表示在转换后的标签中保留关键点（姿态任务必需）。该函数定义于 ultralytics/data/converter.py，核心参数如下：

从源码实现看，该转换器的关键处理逻辑包括：

• 遍历labels_dir下所有*.json标注文件，为每个 JSON 建立 image 与 annotation 的映射（converter.py）；
• 将 COCO 的[左上角 x, 左上角 y, 宽, 高]框格式转换为 YOLO 的[中心 x, 中心 y, 宽, 高]格式，并分别除以图像宽高完成归一化（converter.py）；
• 当use_keypoints=True且标注含keypoints字段时，将 COCO 的[x, y, visible]关键点数组归一化后拼接到类别与边界框之后（converter.py），最终写出cls, box, keypoints组合的标签行（converter.py）。

这一实现与本文第二节的标签格式规范完全对应，可作为将任意 COCO 结构标注转换为 YOLO 姿态标签的标准路径。

结语

从标签文件的三条组织规则，到kpt_shape/flip_idx的 YAML 配置，再到 COCO-Pose、COCO8-Pose、Tiger-Pose 三份官方数据集与convert_coco转换工具，本指南覆盖了 YOLO 姿态估计任务数据侧的全链路。结合实际仓库源码可以看到：标签的归一化规则由 converter.py 保证，kpt_shape直接决定 Pose 检测头 的输出通道，而 OKS 相关指标由 PoseValidator 在验证阶段计算。理解并正确配置数据集格式，是姿态模型训练效果可靠的前提，也是上手 YOLOv10 姿态任务 的第一步。

【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10