上一篇讲完安装，这一篇来简单操作一下，搞点估计结果图爽一下。虽然还没深入内容，但是只要搞出了结果，那就是一脚踏进了姿态估计大门！

我再叨叨一句，有时候，先把代码跑通了，测试一波，简单的复现一下，也是初期代码能力的培养！配环境多难啊！看懂别人的英文教程多难啊！直接改代码是要一步登天嘛！我刚入门就读源码，边爬边飞靠谱吗！天才发抖！

开始使用

准备数据集
推导预训练模型
训练模型
Benchmark
教程

这一趴的内容，我都是根据官方文档里面的操作进行的，下面包括一些中英混杂的教程和范例，以及最主要的，我的 HigherHRNet 试水结果！可以挑自己喜欢的方法来做，不要成为复制粘贴的工具人！手敲代码yyds！

1 准备数据集

data preparation

先来简单搞一个 COCO。

从 COCO download 上面下载：

2017 Train/Val -> COCO keypoints training and validation.
2014 Train -> human mesh estimation training.
HRNet 提供 COCO val2017 的 person detection result -> 复现多人姿态估计结果。

然后按照这样的结构放置到 mmpose 仓库里。

我是事先在 win 上下载，然后 Xftp 到服务器，之后解压缩到指定文件夹，

unzip train2014.zip -d /home/yiming/mmpose/data/coco
unzip train2017.zip -d /home/yiming/mmpose/data/coco
unzip val2014.zip -d /home/yiming/mmpose/data/coco# 查看文件树检查
tree -L

解压后自动创建 train2014 文件夹，不用提前创造，不然就套娃了。

2 推导预训练模型

测试数据集
运行 demos

2.1 测试数据集

single GPU （单GPU）
single node multiple GPUs （单机多卡）

# single-gpu testing
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--eval ${EVAL_METRIC}] \[--proc_per_gpu ${NUM_PROC_PER_GPU}] [--gpu_collect] [--tmpdir ${TMPDIR}] [--average_clips ${AVG_TYPE}] \[--launcher ${JOB_LAUNCHER}] [--local_rank ${LOCAL_RANK}]python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--out ${RESULT_FILE}] [--eval ${EVAL_METRIC}] \[--proc_per_gpu ${NUM_PROC_PER_GPU}] [--gpu_collect] [--tmpdir ${TMPDIR}] [--average_clips ${AVG_TYPE}] \[--launcher ${JOB_LAUNCHER}] [--local_rank ${LOCAL_RANK}]

选项解释：（有的我就懒得翻了，用上再说）

RESULT_FILE: 输出结果文件。如果不指定，不保存。
EVAL_METRIC: 评价指标，根据数据集而定。
NUM_PROC_PER_GPU: 每个 GPU 的进程数。不指定，单 GPU 单进程。
--gpu_collect: If specified, recognition results will be collected using gpu communication. Otherwise, it will save the results on different gpus to TMPDIR and collect them by the rank 0 worker.
TMPDIR: Temporary directory used for collecting results from multiple workers, available when --gpu_collect is not specified.
AVG_TYPE: Items to average the test clips. If set to prob, it will apply softmax before averaging the clip scores. Otherwise, it will directly average the clip scores.
JOB_LAUNCHER: Items for distributed job initialization launcher. Allowed choices are none, pytorch, slurm, mpi. Especially, if set to none, it will test in a non-distributed mode.
LOCAL_RANK: ID for local rank. If not specified, it will be set to 0.

官网举例

确保已经下载 checkpoints 到这个文件夹checkpoints/.

Test ResNet50 on COCO (without saving the test results) and evaluate the mAP.

./tools/dist_test.sh configs/top_down/resnet/coco/res50_coco_256x192.py \checkpoints/SOME_CHECKPOINT.pth 1 \--eval mAP

Test ResNet50 on COCO with 8 GPUS, and evaluate the mAP.

./tools/dist_test.sh configs/top_down/resnet/coco/res50_coco_256x192.py \checkpoints/SOME_CHECKPOINT.pth 8 \--eval mAP

Test ResNet50 on COCO in slurm environment and evaluate the mAP.

./tools/slurm_test.sh slurm_partition test_job \configs/top_down/resnet/coco/res50_coco_256x192.py \checkpoints/SOME_CHECKPOINT.pth \--eval mAP

用 HigherHRNet 试水

进入 mmpose 里的 HigherHRNet - results and models 。下载一个 ckpt ，放到mmpose/checkpoints 文件夹下。

这里我选了 HigherHRNet-w32 (512x512) 。

测试 COCO 数据集。(4块 GPU，不保存结果)

./tools/dist_test.sh configs/bottom_up/higherhrnet/coco/higher_hrnet32_coco_512x512.py checkpoints/higher_hrnet32_coco_512x512-8ae85183_20200713.pth 4 --eval mAP

851s≈14min，精度稍微有差，大致相同。

2.2 运行 demos

图片
视频

官网举例

使用 GT bounding boxes 运行 top-down 姿态估计 demos。

python demo/top_down_img_demo.py \${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \--img-root ${IMG_ROOT} --json-file ${JSON_FILE} \--out-img-root ${OUTPUT_DIR} \[--show --device ${GPU_ID}] \[--kpt-thr ${KPT_SCORE_THR}]

例如 HRNet：

python demo/top_down_img_demo.py \configs/top_down/hrnet/coco/hrnet_w48_coco_256x192.py \https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth \--img-root tests/data/coco/ --json-file tests/data/coco/test_coco.json \--out-img-root vis_results

More examples and details can be found in the demo folder and the demo docs.

Bottom-Up Demos（HigherHRNet）试水

image
video

测试单张图片，仓库内置测试图片。

python demo/bottom_up_img_demo.py \${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \--img-root ${IMG_ROOT} --json-file ${JSON_FILE} \--out-img-root ${OUTPUT_DIR} \[--show --device ${GPU_ID or CPU}] \[--kpt-thr ${KPT_SCORE_THR}]

HigherHRNet:

python demo/bottom_up_img_demo.py configs/bottom_up/higherhrnet/coco/higher_hrnet32_coco_512x512.py checkpoints/higher_hrnet32_coco_512x512-8ae85183_20200713.pth --img-root tests/data/coco/ --json-file tests/data/coco/test_coco.json --out-img-root vis_results

测试视频，仓库里没有给 demo 视频，可以自己下载，我随手扒了一个 solo 直拍，起名为``demo_video1.mp4` 。

python demo/bottom_up_video_demo.py \${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \--video-path ${VIDEO_FILE} \--output-video-root ${OUTPUT_VIDEO_ROOT} \[--show --device ${GPU_ID or CPU}] \[--bbox-thr ${BBOX_SCORE_THR} --kpt-thr ${KPT_SCORE_THR}]

HigherHRNet:

python demo/bottom_up_video_demo.py configs/bottom_up/higherhrnet/coco/higher_hrnet32_coco_512x512.py checkpoints/higher_hrnet32_coco_512x512-8ae85183_20200713.pth --video-path demo/demo_video1.mp4 --out-video-root vis_results

结果：solo ，我懒得传上来了。

好！今天就先讲到这！配完数据集和运行完 demo，我们基本就算成功使用HigherHRNet了！下篇我们来一起训练网络！

姿态估计mmpose一手体验 Ⅱ - 使用它！相关推荐

万物生姿——MMPose 姿态估计创意 Demo 大赛
号外号外!OpenMMLab 姿态估计创意 Demo 大赛震撼来袭!不设任务,不限主题,完全自由发挥!是不是有亿点点心动?快来解锁活动详情吧- 世间万物,千姿百态,异彩纷呈. 令人眼花缭乱的外表下,则 ...
MMPose姿态估计+人体关键点识别效果演示
MMPose--开源姿态估计算法库(附人体关键点识别效果演示) 一.简介 1.1 背景首先姿态估计属于计算机视觉领域的一个基础研究方向.MMPose是基于Pytorch的姿态估计开源算法库,功能全, ...
Openpose+Tensorflow 这样实现人体姿态估计 | 代码干货
作者 | 李秋键出品 | AI科技大本营(ID:rgznai100) 人体姿态估计指从单个 RGB 图像中精确地估计出人体的位置以及检测骨骼关键点的位置.人体姿态估计是计算机视觉领域的研究热点,是诸 ...
无限想象空间，用Python玩转3D人体姿态估计
前言姿态估计,一直是近几年的研究热点. 它就是根据画面,捕捉人体的运动姿态,比如 2D 姿态估计: 再比如 3D 姿态估计: 看着好玩,那这玩应有啥用呢? 自动驾驶,大家应该都不陌生,很多公司研究这 ...
3D 人体姿态估计简述
0 前言 3D Human Pose Estimation(以下简称 3D HPE )的目标是在三维空间中估计人体关键点的位置.3D HPE 的应用非常广泛,包括人机交互.运动分析.康复训练等,它也可 ...
40个姿态估计优秀开源项目汇总
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达来源丨AIRX社区编辑丨极市平台 1.AlphaPose 实时全身多人姿势估计与跟踪系统.它是第一个 ...
经典论文复现 | PyraNet：基于特征金字塔网络的人体姿态估计
过去几年发表于各大 AI 顶会论文提出的 400 多种算法中,公开算法代码的仅占 6%,其中三分之一的论文作者分享了测试数据,约 54% 的分享包含"伪代码".这是今年 AAAI ...
Python安装FrankMocap实现3D人体姿态估计
FrankMocap 是港中文联合 Facebook AI 研究院提出的3D 人体姿态和形状估计算法. 不仅仅是估计人体的运动姿态,甚至连身体的形状,手部的动作都可以一起计算出来. 算法很强大,能够从 ...
3D 人体姿态估计简述【转】
0 前言 3D Human Pose Estimation(以下简称 3D HPE )的目标是在三维空间中估计人体关键点的位置.3D HPE 的应用非常广泛,包括人机交互.运动分析.康复训练等,它也可 ...
MPII姿态估计性能评价标准-PCK
Overview PCK是mpii使用的人体关键点估计评价标准,在coco之前,PCK一直是比较主流的metric,包括deepfashion,fashionAI等,都是使用的此标准. PCK PCK ...

姿态估计mmpose一手体验 Ⅱ - 使用它！

目录

开始使用

1 准备数据集

2 推导预训练模型

2.1 测试数据集

官网举例

用 HigherHRNet 试水

2.2 运行 demos

官网举例

Bottom-Up Demos（HigherHRNet）试水

姿态估计mmpose一手体验 Ⅱ - 使用它！相关推荐

最新文章

热门文章