本文详细介绍了OpenPose的实时多人姿态估计原理，对比了OpenPose、CPN和PoseNet的优缺点。通过分析OpenPose的训练过程、数据集、硬件需求以及TensorFlow代码实现，揭示了其在数据处理、网络定义、多GPU训练等方面的关键步骤。此外，还概述了模型的保存、恢复、可视化及部署流程。
做openpose已经做了两个月了，精度和速度都还没有提上去，但是还是要总结一下。
人体姿态估计（pose estimation）的目标
实时地对图片中每个人的姿态进行精准的估计。总结起来，就是实时的多人姿态精准估计
现状
实时的算法精度不高，精度高的算法慢的要死。
openpose——比较快，比较准
cpn——慢，准（pass，在实际场景中，慢等于没用）
poseNet——快，不准（pass，不准更没啥用了）
openpose的原理
输入一张图片，经过一个backbone（比如vgg，resnet，mobilenet），在经过6个stage，每个stage有2个branch，一个用来检测heatmap，一个用来检测vectmap。有了heatmap和vectmap就可以知道图片中所有的关键点，但是不知道这些关键点都是哪个人的，PAFs把这些点对应到每个人身上。end
openpose的训练
数据集：coco，MPII，AIC，PoseTrack
硬件要求：至少4 个 gpu以上（GPU不充裕的，可以直接用原作者公布的caffe模型，我训练了俩月精度都没赶上他们）
openpose的代码（tensorflow版本）
这俩月学到了啥，就是
最低0.47元/天 解锁文章
扫一扫
1996
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
