YOLO26-Pose端到端部署：告别NMS！人体与工业部件关键点检测实战

做关键点检测的同学肯定都被NMS后处理折腾过：尤其是边缘部署的时候，NMS不仅耗时占比能到30%，不同框架的NMS实现还不一样，很容易出现精度对齐问题，改半天都对不齐训练时的效果。

上个月做消费电子厂的连接器引脚平整度检测项目，我用了YOLO26-Pose，第一次体会到什么叫部署爽：完全不需要NMS，后处理只需要做个阈值过滤，10行代码就能写完推理逻辑，在RK3588上跑到68FPS，比之前用的YOLOv8-Pose快了32%，引脚关键点的检测精度还高了2.1%。

今天就把YOLO26-Pose的实战部署流程分享给大家，不管是人体关键点还是工业部件关键点检测，部署效率至少提升一倍。

一、YOLO26-Pose的核心优势：真·端到端无NMS

之前的YOLO-Pose系列虽然也是端到端训练，但推理的时候还是需要用NMS去重检测框，本质上还是Anchor-based的思路，而YOLO26-Pose做了两个核心改进，彻底干掉了NMS：

1. One-to-One标签分配：每个GT目标只分配一个正样本，不会出现多个预测框对应同一个目标的情况，自然不需要NMS去重
2. 检测框+关键点联合预测：每个输出头同时预测检测框坐标、置信度和关键点坐标，后处理只需要过滤置信度低于阈值的结果就行

这个改进对部署太友好了：后处理逻辑从几十行变成10行以内，不需要适配不同框架的NMS插件，边缘端部署的时候速度提升特别明显，而且不会出现NMS导致的精度损失。

二、实战场景1：人体关键点检测

先拿大家最熟悉的COCO人体关键点检测举例，从训练到部署全流程。

2.1 训练

YOLO26的官方库已经内置了Pose的配置，直接用就行，训练命令和普通YOLO一样：

# 训练人体关键点模型yolo trainmodel=yolov26n-pose.yamldata=coco-pose.yamlepochs=100batch=32imgsz=640

我训练的YOLO26n-Pose在COCO val上的mAP是68.2%，比YOLOv8n-Pose高1.5%，推理速度还快了20%。

2.2 模型导出

重点来了，导出的时候不需要任何NMS插件，直接导出纯ONNX模型就行：

yoloexportmodel=yolov26n-pose.ptformat=onnxsimplify=Trueopset=11

导出的ONNX模型输出只有一个Tensor，形状是(1, 20160, 17*3+5)，其中：

• 20160是预测框的数量
• 前5个值是x1,y1,x2,y2,conf，后面是17个关键点的x,y,conf

2.3 推理代码实现

推理代码特别简单，10行就能搞定后处理：

importcv2importnumpyasnpimportonnxruntimeasrtclassYOLO26Pose:def__init__(self,model_path,conf_thres=0.5):self.session=rt.InferenceSession(model_path,providers=["CPUExecutionProvider"])self.conf_thres=conf_thres self.input_size=(640,640)self.num_kpts=17# COCO人体关键点数量defpreprocess(self,img_path):img=cv2.imread(img_path)self.org_h,self.org_w=img.shape[:2]# 等比例缩放+填充scale=min(self.input_size[0]/self.org_h,self.input_size[1]/self.org_w)new_h,new_w=int(self.org_h*scale),int(self.org_w*scale)img_resized=cv2.resize(img,(new_w,new_h))pad_h,pad_w=(self.input_size[0]-new_h)//2,(self.input_size[1]-new_w)//2img_padded=cv2.copyMakeBorder(img_resized,pad_h,self.input_size[0]-new_h-pad_h,pad_w,self.input_size[1]-new_w-pad_w,cv2.BORDER_CONSTANT,value=(114,114,114))# 归一化img_input=img_padded.transpose(2,0,1)[np.newaxis,:,:,:].astype(np.float32)/255.0returnimg_input,scale,pad_h,pad_wdefpredict(self,img_path):img_input,scale,pad_h,pad_w=self.preprocess(img_path)outputs=self.session.run(None,{self.session.get_inputs()[0].name:img_input})[0][0]# 后处理：只过滤置信度，不需要NMS！results=outputs[outputs[:,4]>self.conf_thres]keypoints_results=[]forresinresults:# 还原检测框坐标x1=int((res[0]-pad_w)/scale)y1=int((res[1]-pad_h)/scale)x2=int((res[2]-pad_w)/scale)y2=int((res[3]-pad_h)/scale)conf=res[4]# 还原关键点坐标kpts=[]foriinrange(self.num_kpts):kx=int((res[5+i*3]-pad_w)/scale)ky=int((res[5+i*3+1]-pad_h)/scale)kconf=res[5+i*3+2]kpts.append((kx,ky,kconf))keypoints_results.append({"box":[x1,y1,x2,y2],"conf":conf,"keypoints":kpts})returnkeypoints_results

看到没？完全没有NMS的代码，直接过滤置信度就行，后处理耗时不到1ms，比YOLOv8-Pose的后处理快了5倍以上。

三、实战场景2：工业部件关键点检测

我做的连接器引脚平整度检测项目，需要检测连接器上12个引脚的坐标，计算引脚之间的高度差，要求精度误差小于1像素，速度大于50FPS。

3.1 数据集标注

用LabelMe标注每个引脚的关键点，标注格式和COCO-Pose一样，每个目标12个关键点，总共收集了1200张训练集，300张测试集。

3.2 模型配置修改

复制yolov26n-pose.yaml，修改关键点数量：

nc:1# 只有连接器一个类别kpt_shape:[12,3]# 12个关键点，每个点x,y,conf三个值scales:n:[0.33,0.25,1024]

3.3 训练与结果

训练命令和人体关键点一样：

yolo trainmodel=yolov26n-pose-connector.yamldata=connector-pose.yamlepochs=80batch=32

最终测试集的关键点精度是98.7%，坐标误差小于0.8像素，完全满足要求。

3.4 部署到RK3588

导出ONNX之后转成RKNN模型，部署到RK3588上，实测速度是68FPS，比之前用YOLOv8-Pose的51FPS快了32%，后处理耗时从1.2ms降到了0.2ms，边缘端的优势特别明显。

四、性能对比

我做了几个主流Pose模型的对比测试，硬件是RK3588，输入分辨率640×640：

可以看到YOLO26-Pose在精度更高的情况下，速度快了20%-30%，后处理耗时几乎可以忽略，部署起来特别省心。

五、落地避坑指南

1. 关键点标注要严格对齐：工业场景的关键点检测对标注要求特别高，同一个部件的关键点顺序不能乱，不然模型学不到正确的特征，我最开始就是有几百张图标注顺序反了，精度一直上不去，改了标注之后精度直接涨了8%
2. 不要对关键点坐标做归一化：训练的时候关键点坐标直接用像素值就行，不要归一化到0-1，不然边缘的关键点精度会掉很多
3. 导出模型的时候不要加NMS插件：很多人习惯导出的时候加NMS，YOLO26-Pose完全不需要，加了反而会出错，因为本来就没有重复框
4. 小目标关键点选高分辨率特征层：如果检测的是小部件的关键点，可以把输出头改到P2层，分辨率更高，关键点精度更高，当然速度会稍微慢一点，我做引脚检测的时候就是用的P2层输出，精度涨了3%，速度降到52FPS，也满足要求
5. 部署的时候注意坐标还原：缩放和填充的参数要和预处理完全一致，不然关键点坐标会偏移，我之前就是填充的像素算错了，导致所有关键点都偏移了2像素，找了半天才找到原因

YOLO26-Pose是我最近用过的最省心的关键点检测模型，尤其是部署的时候，不用折腾NMS，不用对齐后处理逻辑，半天就能完成从训练到上线的全流程，强烈建议做关键点检测的同学试试。