Ultralytics YOLO26-Pose 性能基准全解析：COCO 关键点精度、端到端推理延迟与模型选型指南-北京尧图网络

Ultralytics YOLO26-Pose 性能基准全解析COCO 关键点精度、端到端推理延迟与模型选型指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsYOLO26 是 Ultralytics 当前主打统一视觉模型家族而-pose后缀的五个预训练关键点模型YOLO26n/s/m/l/x-pose覆盖了从边缘端到高精度服务端的人体姿态估计需求。本文以仓库中的yolo-pose-perf.md性能宏表为骨架逐列解释 COCO Keypoints 上的 mAP、CPU ONNX 与 T4 TensorRT10 延迟、参数量与 FLOPs 的含义并结合 yolo26-pose.yaml 与 Pose26 检测头源码讲清端到端e2e精度口径的由来最后给出可一键复现的验证命令与按规模选型建议。读完本文你将能独立读懂并复核这份基准表也能为自己的姿态估计项目选定合适的 YOLO26-Pose 起点模型。一、YOLO26-Pose 预训练模型性能总览这份性能宏表docs/macros/yolo-pose-perf.md是 Ultralytics 文档体系中的共享片段同时被嵌入三个页面复用模型总览页 docs/en/models/yolo26.mdPerformance Metrics → Pose (COCO) 标签页、姿态估计任务页 docs/en/tasks/pose.md 以及 COCO-Pose 数据集页 docs/en/datasets/pose/coco.md。五个模型的完整基准数据如下640 输入分辨率、COCO Keypoints val2017 评测模型尺寸 (pixels)mAP pose 50-95 (e2e)mAP pose 50 (e2e)CPU ONNX 速度 (ms)T4 TensorRT10 速度 (ms)参数量 (M)FLOPs (B)YOLO26n-pose64057.283.340.3 ± 0.51.8 ± 0.02.97.5YOLO26s-pose64063.086.685.3 ± 0.92.7 ± 0.010.423.9YOLO26m-pose64068.889.6218.0 ± 1.55.0 ± 0.121.573.1YOLO26l-pose64070.490.5275.4 ± 2.46.5 ± 0.125.991.3YOLO26x-pose64071.691.6565.4 ± 3.012.2 ± 0.257.6201.7所有模型权重名以-pose结尾如yolo26n-pose.pt预训练于 COCO Keypointsperson 关键点数据集首次使用时由 Ultralytics 自动下载。二、逐列读懂这张基准表尺寸pixels模型输入分辨率。表中五个模型统一为 640×640。同一模型在更大输入上精度会上升、延迟会增加因此横向对比必须在相同输入尺寸下进行。mAP pose 50-95 (e2e)/mAP pose 50 (e2e)姿态估计的核心精度指标沿用 COCO 的 Object Keypoint SimilarityOKS准则计算。50-95 表示 OKS 阈值从 0.50 到 0.95 的平均值对应表格标题行写法的 50-95(e2e)pose 50 则是单一 0.50 阈值下的 mAP。列名中的e2e是端到端end-to-end的缩写YOLO26 默认使用一对一one-to-one检测头直接输出结果推理阶段无需非极大值抑制NMS。CPU ONNX 速度ms将模型导出为 ONNX 后在 CPU 上单张推理的平均耗时含标准差的重复测量反映无 GPU 场景下的落地成本。T4 TensorRT10 速度msNVIDIA T4 GPU 上以 TensorRT 10 引擎推理单张图像的平均耗时是云上与边缘 GPU 部署的典型参考值。参数量M与 FLOPsB需要特别注意的是表格口径为model.fuse()之后的融合模型——融合会合并 Conv 与 BatchNorm 层且端到端模型会移除辅助的一对多one-to-many训练头因此数值明显低于完整训练架构。三、评测口径与复现命令这张表不是营销宣传图而是可以用仓库内置命令直接复现的。任务文档 docs/en/tasks/pose.md 明确了评测口径与复现方式mAP 口径单模型、单尺度single-model single-scale数据集为 COCO Keypoints val2017。复现命令yolo val pose datacoco-pose.yaml device0速度口径逐张batch1在 COCO val 图像上取平均分别跑 CPU 与 GPU 两条命令yolo val pose datacoco-pose.yaml batch1 device0 # GPUT4/TensorRT 场景 yolo val pose datacoco-pose.yaml batch1 devicecpu # CPUONNX 场景参数量 / FLOPs 口径在 Python 中依次执行model.fuse()后再统计。如下面的 YAML 结构分析所示预训练权重保留完整训练架构直接统计会得到更高的数值这解释了为何 yolo26-pose.yaml 文件头注释里的规模参数摘要n/s/m/l/x 分别为约 3.7M / 11.9M / 24.3M / 28.7M / 62.9M 参数普遍高于上表融合后的 2.9M / 10.4M / 21.5M / 25.9M / 57.6M。需要复现训练或验证原始精度时可直接在 Python 中加载官方权重并调用验证接口from ultralytics import YOLO model YOLO(yolo26n-pose.pt) # 也可替换为 yolo26s/m/l/x-pose.pt 或自定义权重 metrics model.val() # 数据集与参数沿用训练时设置 print(metrics.pose.map) # mAP pose 50-95 print(metrics.pose.map50) # mAP pose 50 print(metrics.pose.maps) # 逐类别 mAP pose 50-95 列表四、五个规模的横向对比与选型建议将表中的关键数值按精度与开销两个维度拆解可以看到清晰的梯度对比维度n → ss → mm → ll → xmAP pose 50-95 提升5.85.81.61.2T4 TensorRT10 延迟0.9 ms2.3 ms1.5 ms5.7 msCPU ONNX 延迟45 ms132.7 ms57.4 ms290 ms据此可以得出几条可靠的选型结论YOLO26n-pose2.9M 参数以 1.8 ms 的 T4 延迟和 40 ms 级 CPU 延迟提供 57.2 的 mAP 50-95是边缘设备、移动端与实时视频流的首选CPU 侧相对其余规模的延迟优势最明显。YOLO26s-pose / YOLO26m-pose二者是每毫秒精度收益最高的区间适合通用服务端部署也是从 nano 微调、量级升级时性价比最高的选择。YOLO26l-pose / YOLO26x-posemAP 已趋于饱和l→x 仅 1.2但 CPU 延迟从 275 ms 陡增至 565 ms。若应用对 CPU 实时性敏感而只需要 70~72 的精度YOLO26l-pose 比 x 更划算追求最高关键点精度且 GPU 充裕时才建议 x。五、精度数字背后的模型结构端到端 Pose26 检测头宏表中的 (e2e) 标注源自模型本身的架构属性。打开 ultralytics/cfg/models/26/yolo26-pose.yaml 可以看到 YOLO26-Pose 的关键配置nc: 80 # 类别数COCO 检测基准姿态任务实际聚焦 person 关键点 end2end: True # 端到端模式推理时无需 NMS reg_max: 1 # DFL binsYOLO26 移除 DFL 后的设置 kpt_shape: [17, 3] # 17 个关键点每个关键点 3 维 (x, y, visible) head: - [[16, 19, 22], 1, Pose26, [nc, kpt_shape]] # 在 P3/P4/P5 三级特征上接 Pose26 头模型的 compound scaling 常量scales定义了五档n 为深度/宽度 (0.50, 0.25)s 为 (0.50, 0.50)x 为 (1.00, 1.50)这是上表参数量呈非线性增长的结构性原因。从源码看Pose26 检测头class Pose26(Pose)相比早期 YOLO 姿态头引入了两大变化直接影响精度与速度表现基于归一化流的 RLE 关键点精度提升Pose26 头内嵌了RealNVP()流模型用于对关键点坐标的不确定性进行建模即 Residual Log-Likelihood EstimationRLE 思想并额外通过cv4_sigma输出每个关键点的sigma_x/sigma_y预测。这使得关键点定位精度显著高于前代是表中 mAP 50-95 数值的来源之一。端到端解码与轻量推理end2endTrue时 Pose26 复制一份one2one_cv4用于一对一输出同时fuse()方法会清空cv2/cv3/cv4等一对多训练头保留最精简的推理路径。这与上一节融合后参数低于训练架构的表格口径完全对应。六、17 个关键点定义与 COCO-Pose 数据集表中的全部精度指标都建立在 COCO 人体 17 关键点协议上。默认 YOLO26-Pose 模型的每个索引对应一个人体部位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左踝、16右踝。数据集配置见 ultralytics/cfg/datasets/coco-pose.yaml其中声明了关键点结构kpt_shape: [17, 3]、水平翻转时左右关键点互换索引的flip_idx以及仅0: person一个类别。若需要快速验证训练/推理流程而不下载 20 GB 级完整 COCO-Pose可使用配套的小样本集 COCO8-Pose见 docs/en/datasets/pose/coco8-pose.md其配置 coco8-pose.yaml 结构完全相同、仅图像数量大幅缩减。七、Pose mAP 的评估原理OKS 与关键点 IoU理解表格数值口径还需要知道姿态 mAP与传统检测 mAP 的差异。从 ultralytics/models/yolo/pose/val.py 的实现看当数据集关键点结构为[17, 3]时验证器使用标准OKS_SIGMA每个人体关键点的标准差先验计算 OKS在update_metrics中通过kpt_iou(...)计算关键点层面的 IoU据此判断预测真伪并累计 TP最终由 ultralytics/utils/metrics.py 中的PoseMetrics汇总出map / map50 / map75 / maps等结果对象正是上一节 Python 验证代码里metrics.pose.*的字段来源。换言之表中的 57.2 ~ 71.6 这一列反映的是关键点预测坐标与真值在 OKS 意义下的对齐程度而不只是框是否框中人训练时也正因此对关键点回归损失给予额外监督。八、从基准到落地训练、推理与导出一条龙若要基于这份基准表在自己的数据上微调或把对应模型接入业务可按任务文档 docs/en/tasks/pose.md 的标准流程操作训练以 COCO8-Pose 为例快速验证流程# 从预训练权重开始训练推荐 yolo pose train datacoco8-pose.yaml modelyolo26n-pose.pt epochs100 imgsz640推理yolo pose predict modelyolo26n-pose.pt sourcepath/to/image.jpgPython 侧通过result.keypoints访问关键点result.keypoints.xy为像素坐标、result.keypoints.xyn为归一化坐标、result.keypoints.data则包含(x, y, visible)三元组。导出ONNX 等格式用于复现表中的 CPU ONNX / TensorRT 场景yolo export modelyolo26n-pose.pt formatonnx # 导出 ONNX yolo export modelyolo26n-pose.pt formatengine # 导出 TensorRT 引擎导出完成后可对yolo26n-pose.onnx直接执行yolo predict modelyolo26n-pose.onnx ...从而在自己的硬件上实测延迟判断与表中 T4 / CPU 参考值的差距。九、总结YOLO26-Pose 性能宏表以统一的 640 输入与 COCO Keypoints val2017 口径给出了 n/s/m/l/x 五个端到端关键点模型在精度mAP pose 50-95 从 57.2 到 71.6、GPU/CPU 延迟与参数量上的完整画像。读懂它需要同时理解三件事OKS 准则下的姿态 mAP 口径、e2e 融合模型的参数统计方式、以及 Pose26 检测头RLE 流模型 NMS-free 解码对精度与速度的贡献。借助仓库提供的yolo val pose datacoco-pose.yaml系列命令与五档规模数据的梯度变化开发者在选型时可以清晰地权衡每毫秒能换回多少精度为边缘实时姿态估计或高精度离线分析各自找到合适的起点。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

Ultralytics YOLO26-Pose 性能基准全解析：COCO 关键点精度、端到端推理延迟与模型选型指南

相关推荐

昇腾GE图拆分模块约束文档

Cal.diy 在 Vercel Pro 上的手动部署：环境变量、构建命令与 Prisma 数据库初始化

CUDA环境配置实战：从GPU云服务器到PyTorch的全流程指南

更多资讯

Qbot：LSTM+Transformer选股流水线，三步跑通本地智能选股回测

TiDB 安全启动（Secure Bootstrap）设计解析：从 `--initialize-insecure` 到 `--initialize-secure`

基于 ML-For-Beginners 的逻辑回归分类实战：用 Scikit-learn 预测南瓜颜色

分布式错误侦探 Agent 实战：基于 agents24 仓库的日志分析与根因定位系统提示词深度解析

Cypress 组件测试中 Vite 5 项目如何配置 devServerPublicPathRoute 对齐应用公共资源路径

DPWM不连续脉宽调制详解：从SVPWM到三相逆变器Simulink仿真对比

今日更新

CopilotKit Vue Demo 与 React Demo 的 Parity 实现指南：路由、运行时端点与交互语义的全框架对齐

Harbor RBAC 实战：db_auth 模式下非管理员用户管理项目成员的完整验证与权限模型解析

STM32平衡车纯平衡程序从拆包到参数整定的完整调试指南

本周精选

超人会飞不算本事：系统稳定依赖清晰规则与边界设计

超人VS蜘蛛侠：拆解超级IP的影响力与传播方法论

基于CNN的调制信号识别：MATLAB实现时频图分类实战

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？