MMPose 全身姿态估计快速上手指南一条命令拿到 133 个关键点【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmposeMMPose 是 OpenMMLab 的 PyTorch 姿态估计工具箱其 WholeBody 模块可以为图中每个人一次性输出 133 个关键点覆盖身体、面部、双手和足部省去了分别拼接人体、人脸、手部三个模型的麻烦。这篇指南从零开始装好环境后你用一条命令就能对图片跑通全身姿态估计之后再换模型、调参数、做微调。133 个关键点是怎么构成的常规 2D 人体姿态估计如 COCO只有 17 个身体关节画面里手或脚趾一入镜就拿不到坐标。COCO-WholeBodyECCV 2020把标注扩展到 133 点MMPose 从数据集配置层就完整支持这套布局部位数量说明身体17标准 COCO 人体关节面部60眉毛、眼睛、鼻子、嘴部轮廓等双手42每只手 21 点覆盖各手指关节足部14脚趾、脚跟、脚踝、膝盖每个关键点的名称、绘制颜色、左右对称映射都定义在 configs/base/datasets/coco_wholebody.py 里后续画骨架、做区域裁剪时直接可用。环境准备与跑通第一次推理先克隆仓库并源码安装主分支要求 PyTorch 1.8git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -v -e .装完后直接用仓库自带的 crowdpose 样例图片跑全身推理。--pose2d wholebody这个别名会自动匹配预训练的全身模型和默认人体检测器你不需要自己写 config 路径python demo/inferencer_demo.py tests/data/crowdpose \ --pose2d wholebody \ --vis-out-dir vis_results/crowdpose执行结束后vis_results/crowdpose/下会生成画好骨架的图片场景中每个人都标出 133 个关键点。仓库测试数据里的一张多人场景图如下Inferencer 接口同样支持视频路径、图片文件夹和摄像头输入完整参数见 demo/inferencer_demo.py。模型怎么选RTMW 还是 RTMPose仓库里的全身模型分两个系列RTMWCocktail14 混合 14 个公开数据集训练跨场景泛化更好和RTMPose-wholebody仅 COCO-WholeBody 训练。Cocktail14 指 AIC、CrowdPose、Halpe、InterHand 等 14 个数据集混合训练。RTMW 系列在 COCO-WholeBody v1.0 val 上的结果模型输入分辨率Body APFace APHand APWhole APRTMW-M256×1920.6760.7830.4910.582RTMW-L256×1920.7430.8340.5980.660RTMW-L384×2880.7610.8840.6630.701RTMW-X384×2880.7630.8840.6640.702选型的简单规则端侧设备或对帧率敏感的视频流用 256×192 输入的版本精度优先就升到 384×288Face AP 能从 0.83 提升到 0.88 左右各模型的 config 与权重下载地址汇总在 configs/wholebody_2d_keypoint/rtmpose/cocktail14/rtmw_cocktail14.md按场景挑对应行即可。注意 AP 结果依赖人体检测器上表是在 COCO val2017 上 AP 为 56.4 的检测器下测得的实际效果也会受你选用的检测器质量影响。 Top-Down 流水线在做什么仓库的全身估计走的是经典 Top-Down 两段式检测器先在整图找出人物框MMPose 模型再对每个框预测 133 点。demo/topdown_demo_with_mmdet.py 就是这条流水线的完整实现python demo/topdown_demo_with_mmdet.py \ ${MMDET_CONFIG} ${MMDET_CKPT} \ ${MMPOSE_CONFIG} ${MMPOSE_CKPT} \ --input ${VIDEO} --output-root vis_results/ --show前两个参数放 MMDetection 人体检测器的 config 与权重仓库demo/mmdetection_cfg/下已备好 rtmdet_m 等配置后两个放 MMPose 全身姿态模型--input可以是视频或图片目录--bbox-thr控制检测框置信度--kpt-thr默认 0.3控制关键点显示阈值。单人场景下用 demo/image_demo.py 更省事它把整张图当作人物框直接做姿态估计不需要检测器。官方快速上手就用仓库里的这张 COCO 样例图如果要用自己的数据微调先按 数据集指南 准备 COCO-WholeBody 格式标注再复制一份官方 config 改掉data_root和标注路径然后训练python tools/train.py \ configs/wholebody_2d_keypoint/rtmpose/cocktail14/rtmw-m_8xb1024-270e_cocktail14-256x192.py常见坑速查没有 GPUdemo 脚本加--device cpu即可在 CPU 上推理骨架偏多或偏少调--bbox-thr调小保留更多框调大更严格和--nms-thr关键点显示稀疏调低--kpt-thr默认 0.3想看预测热力图demo 脚本加--draw-heatmap参数。下一步入口全身姿态 demo 完整文档含视频、webcam 识别demo/docs/zh_cn/2d_wholebody_pose_demo.mdRTMPose/RTMW 系列说明与部署示例projects/rtmpose/README.md3D 全身估计看 projects/rtmpose3d/README.md从训练到测试的完整流程docs/en/quick_run.mdPython API 入口mmpose/apis/inference.py 与 mmpose/apis/inferencers/mmpose_inferencer.py【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考