Ultralytics YOLO 是计算机视觉和 ML 领域专业人士的高效工具。

安装 ultralytics 库：

pip install ultralytics 

官方YoLo Pose 模型列表信息：

实现代码如下：

from ultralytics import YOLO
import cv2
# Load a model
ckpt_dir = "./ckpt/" # 模型缓存地址
model = YOLO(ckpt_dir + "yolo11l-pose.pt")  # load an official model

img_path = "1.jpg" # 图片路径

# Predict with the model
results = model(
        source = img_path,
        project='./',       # 保存预测结果的根目录
        name='exp',         # 保存预测结果目录名称
        exist_ok=True,
        save=True,
        imgsz=640,          # 推理模型输入图像尺寸
        conf=0.3            # 置信度阈值
    )  # predict on an image

img = cv2.imread(img_path) # 加载读取图片，用于模型推理结果可视化
# 遍历结果进行可视化
for result in results:
    boxes = result.boxes  # 获取检测目标边界框
    confidences = result.boxes.conf  # 获取检测目标置信度
    cls = result.boxes.cls # 获取检测目标标签
    print("boxes:{}，conf:{},cls:{}".format(boxes.xyxy,confidences,cls))
    conf = result.keypoints.conf.detach().cpu().numpy()
    print("result.keypoints.conf:",conf.shape)
    key_points = result.keypoints.data.detach().cpu().numpy()
    print("result.keypoints.data:",key_points.shape)

    for i in range(key_points.shape[0]):
        for j in range(key_points.shape[1]):
            conf_ = key_points[i][j][2]
            if conf_>0.3: # 高于置信度阈值显示关键点
                x,y = int(key_points[i][j][0]),int(key_points[i][j][1])
                cv2.circle(img, (x,y), 4, (100,255,0), 3) #绘制圆
                cv2.circle(img, (x,y), 4, (255,60,0), 1) #绘制圆

cv2.namedWindow("img",0)
cv2.imshow("img",img)
cv2.waitKey(0)

       log  如下，可以看出keypoints是一个三维数组，第一维度代表人的个数，17代表一个人所具有关键点个数，3代表单个关键点的（x,y,confidence）。

       关键点索引信息：
       In the default YOLO11 pose model, there are 17 keypoints, each representing a different part of the human body. Here is the mapping of each index to its respective body joint:

0: 鼻子 1: 左眼 2: 右眼 3: 左耳 4: 右耳 5: 左肩 6: 右肩 7: 左肘 8: 右肘 9: 左腕 10： 右腕 11: 左髋 12: 右髋 13： 左膝 14： 右膝 15： 左脚踝 16： 右脚踝
 

boxes:tensor([[208.,  49., 476., 419.]])，conf:tensor([0.9404]),cls:tensor([0.])
result.keypoints.conf: (1, 17)
result.keypoints.data: (1, 17, 3)

模型推理可视化示例图如下：

助力快速掌握数据集的信息和使用方式。