本稿では、RGB画像から未観測の物体を検出するとともに、その3次元姿勢を推定する問題に取り組む。我々は、モバイルデバイスに適した2つの軽量ネットワーク、MobilePose-BaseおよびMobilePose-Shapeを提案する。前者は姿勢に関する監督情報のみが利用可能な場合に用いられ、後者は形状に関する監督情報（すなわち、弱い監督情報であっても）が利用可能な場合に用いる。従来の手法で用いられる形状特徴（セグメンテーションマップや座標マップなど）を再検討し、ピクセルレベルでの形状監督が姿勢推定にどのように、またなぜ効果を発揮するかを解説する。その結果、MobilePose-Shapeにおいて形状推定を中間層として導入し、ネットワークが形状から姿勢を学習できるように設計した。本モデルは、実データと合成データを混合して訓練し、弱いかつノイズの多い形状監督を用いている。モデルは極めて軽量であり、現代のモバイルデバイス上でリアルタイムに動作可能（例：Galaxy S20では36 FPS）である。従来のシングルショット手法と比較して、モデルサイズやパラメータ数が著しく小さい（モデルサイズまたはパラメータ数で2～3％程度）にもかかわらず、より高い精度を達成している。