Upload pallet pose v2026-10-29-155: trained YOLO26n best checkpoint

26f5f82 verified 1 day ago

2.17 kB

---
library_name: ultralytics
pipeline_tag: object-detection
base_model: Ultralytics/YOLO26
datasets:
- dl1wjd2/Logistics_AX
tags:
- yolo26
- pose-estimation
- pallet
---
# Logistics_AX 팔레트 YOLO26 Pose 모델
YOLO26n-pose를 팔레트 클래스 1개와 키포인트 8개로 미세 조정한 모델입니다.
`best.pt`는 학습한 팔레트 모델이며, 초기 COCO 사람 포즈 가중치와 구분됩니다.
## 학습 및 검증
- 학습 실행: `pallet_pose_20261029T110641464517Z`
- 데이터: 사진 155장 (학습 124장 / 검증 31장 / 테스트 없음)
- 완료: 100 epoch, 저장된 최고 모델: **95 epoch**
- 박스 mAP50: **99.50%**
- 박스 mAP50–95: **84.35%**
- Pose mAP50: **91.50%**
- Pose mAP50–95: **91.50%**
- Ultralytics 8.4.192, imgsz=640, batch=16, AMP=true, seed=42
- 데이터 버전: [v2026-10-29-155](https://huggingface.co/datasets/dl1wjd2/Logistics_AX/tree/v2026-10-29-155)
평가는 검증 사진 31장에 대한 값입니다. 유사한 촬영 배경이 포함되어 있으므로 독립적인 사진에서도 확인해야 합니다.
Pose mAP는 픽셀 단위 위치 오차나 실제 로봇 작업 성공률을 뜻하지 않습니다.
## 사용법
```bash
python -m pip install ultralytics==8.4.192 huggingface_hub
```
```python
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
weights = hf_hub_download(repo_id="dl1wjd2/Logistics_AX", filename="best.pt", revision="v2026-10-29-155")
model = YOLO(weights)
results = model.predict(source="example.jpg", imgsz=640, conf=0.25, save=True)
for result in results:
    print(result.boxes.xyxy)
    print(result.keypoints.xy)   # 객체별 8개 점의 픽셀 좌표
    print(result.keypoints.conf)
```
## 키포인트 순서
0. `left_top_left`
1. `left_top_right`
2. `left_bottom_right`
3. `left_bottom_left`
4. `right_top_left`
5. `right_top_right`
6. `right_bottom_right`
7. `right_bottom_left`
`training/`에는 설정, 분할 목록, 학습 곡선, 평가 결과와 입력 파일 해시를 보관합니다.
가려져 라벨링하지 않은 점은 학습 시 `v=0`으로 처리합니다.
이 업로드의 버전은 `v2026-10-29-155`입니다.

	---
	library_name: ultralytics
	pipeline_tag: object-detection
	base_model: Ultralytics/YOLO26
	datasets:
	- dl1wjd2/Logistics_AX
	tags:
	- yolo26
	- pose-estimation
	- pallet
	---
	# Logistics_AX 팔레트 YOLO26 Pose 모델

	YOLO26n-pose를 팔레트 클래스 1개와 키포인트 8개로 미세 조정한 모델입니다.
	`best.pt`는 학습한 팔레트 모델이며, 초기 COCO 사람 포즈 가중치와 구분됩니다.

	## 학습 및 검증

	- 학습 실행: `pallet_pose_20261029T110641464517Z`
	- 데이터: 사진 155장 (학습 124장 / 검증 31장 / 테스트 없음)
	- 완료: 100 epoch, 저장된 최고 모델: 95 epoch
	- 박스 mAP50: 99.50%
	- 박스 mAP50–95: 84.35%
	- Pose mAP50: 91.50%
	- Pose mAP50–95: 91.50%
	- Ultralytics 8.4.192, imgsz=640, batch=16, AMP=true, seed=42
	- 데이터 버전: [v2026-10-29-155](https://huggingface.co/datasets/dl1wjd2/Logistics_AX/tree/v2026-10-29-155)

	평가는 검증 사진 31장에 대한 값입니다. 유사한 촬영 배경이 포함되어 있으므로 독립적인 사진에서도 확인해야 합니다.
	Pose mAP는 픽셀 단위 위치 오차나 실제 로봇 작업 성공률을 뜻하지 않습니다.

	## 사용법

	```bash
	python -m pip install ultralytics==8.4.192 huggingface_hub
	```

	```python
	from huggingface_hub import hf_hub_download
	from ultralytics import YOLO

	weights = hf_hub_download(repo_id="dl1wjd2/Logistics_AX", filename="best.pt", revision="v2026-10-29-155")
	model = YOLO(weights)
	results = model.predict(source="example.jpg", imgsz=640, conf=0.25, save=True)
	for result in results:
	print(result.boxes.xyxy)
	print(result.keypoints.xy) # 객체별 8개 점의 픽셀 좌표
	print(result.keypoints.conf)
	```

	## 키포인트 순서

	0. `left_top_left`
	1. `left_top_right`
	2. `left_bottom_right`
	3. `left_bottom_left`
	4. `right_top_left`
	5. `right_top_right`
	6. `right_bottom_right`
	7. `right_bottom_left`

	`training/`에는 설정, 분할 목록, 학습 곡선, 평가 결과와 입력 파일 해시를 보관합니다.
	가려져 라벨링하지 않은 점은 학습 시 `v=0`으로 처리합니다.
	이 업로드의 버전은 `v2026-10-29-155`입니다.