【MMPose】在HRNet应用SimDR（SimCC）/Part.1-配置文件篇

原创 已于 2023-02-06 10:34:38 修改 · 1.6k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能

于 2023-01-13 16:34:25 首次发布
文章介绍了如何在MMPose框架中基于HRNet实现SimDR（现称SimCC），这是一种将姿态估计的Heatmap方法转换为分类的方法，能提高效率并减少显存占用。作者详细阐述了在配置文件、数据预处理流水线、检测头以及损失函数等方面的修改步骤，包括新增参数、修改检测器类型、替换检测头和损失函数以及调整数据预处理流程。

 github代码已经上传：mmpose_simDR

SimDR（现在已经改名叫SimCC，后文还是称SimDR）将姿态估计的Heatmap方法转换为分类方法，在HRNet上实现了涨点，并且减小了显存占用。作者已经在github上开源了代码，但是在MMPose上目前还没有实现，所以本篇文章就使用HRNet在MMPose上实现SimDR。

SimDR原文： Is 2D Heatmap Representation Even Necessary for Human Pose Estimation?

SimDR开源代码：SimCC

因为在MMPose上修改的部分较多，所以文章会分为以下几个部分：

  1. 配置文件篇：因为MMPose使用了配置文件（.py）来进行各种参数的设置，所以我们先将会用到的参数先在配置文件中给出，方便后面修改代码时的调用与理解；
最低0.47元/天 解锁文章
48、mmpose中hrnet关键点识别模型转ncnn和mnn,并进行训练和部署
sxj731533730
08-21 3778
需要一个关键点识别模型，在权衡simplepose 、paddlepose、mmpose之后，发现simplepose需要mxnet（qiuqiu大佬）支持，paddlepose的部署存在易用性问题，也可能我不熟悉.测试了paddleDetection的关键点检测，模型的确转换很容易转，但还是想迁移到ncnnn和mnn去完成任务，同时还在学习TensorRT基本知识，有个onnx还是必须的，反正找理由不用它而已，哈哈，在测试mmpose感觉还可以，毕竟还有mmploy支持部署，应该不用去改源码支持模型转换，
【MMPose】在HRNet应用SimDR（SimCC）/Part.2-流水线篇（Pipeline）
qq_21532607的博客
02-01 1219
这是在mmpose上实现SimDR的Part.2流水线部分。SimDR（现在已经改名叫SimCC，后文还是称SimDR）将姿态估计的Heatmap方法转换为分类方法，在HRNet上实现了涨点，并且减小了显存占用。作者已经在github上开源了代码，但是在MMPose上目前还没有实现，所以本篇文章就使用HRNet在MMPose上实现SimDR。
【MMPose】在HRNet应用SimDR（SimCC）/Part.4-检测器篇（Detector）
qq_21532607的博客
02-03 1115
这是在mmpose实现SimDR的part.4检测器部分。SimDR（现在已经改名叫SimCC，后文还是称SimDR）将姿态估计的Heatmap方法转换为分类方法，在HRNet上实现了涨点，并且减小了显存占用。作者已经在github上开源了代码，但是在MMPose上目前还没有实现，所以本篇文章就使用HRNet在MMPose上实现SimDR。
【MMPose】在HRNet应用SimDR（SimCC）/Part.3-处理头篇（Head）
qq_21532607的博客
02-02 1525
这是在mmpose上实现SimDR的part.3检测头部分。SimDR（现在已经改名叫SimCC，后文还是称SimDR）将姿态估计的Heatmap方法转换为分类方法，在HRNet上实现了涨点，并且减小了显存占用。作者已经在github上开源了代码，但是在MMPose上目前还没有实现，所以本篇文章就使用HRNet在MMPose上实现SimDR。
SimCC技术颠覆：MMPose中关键点定位的数学原理
最新发布
gitblog_00207的博客
11-10 1032
你是否还在为传统热力图（Heatmap）定位精度不足、计算成本高而困扰？本文将深入解析MMPose中的SimCC（Similarity Coefficient）技术，用数学原理解读其如何突破热力图瓶颈，实现亚像素级关键点定位。读完本文，你将掌握SimCC的核心公式、编码解码流程，以及在MMPose中的工程化实现。 ## SimCC与热力图技术对比 传统热力图方法通过在关键点位置生成二维高斯分布
RTMPose
MyArrow的专栏
07-01 5761
RTMPose
mmpose系列 (一)：hrnet 基于mmpose 训练body+foot 23点关键点
qq_38284951的博客
08-15 6580
hrnet body+foot 23点 模型
MMPose理解
热门推荐
MyArrow的专栏
10-24 1万+
MMPose常用知识点
高分辨率网络（HRNet）在对象检测中的应用
gitblog_00016的博客
04-26 484
高分辨率网络（HRNet）在对象检测中的应用 项目简介 是一个深度学习模型，专注于高分辨率特征表示的学习，尤其适用于物体检测任务。这个开源项目提供了实现和优化 HRNet 的代码库，让开发者能够轻松地利用这一先进技术进行物体识别。 技术分析 HRNet 的核心理念是保留高分辨率特征流在整个网络中，而不是像传统的卷积神经网络那样逐渐降低分辨率以获取更抽象的特征。这种设计使得 HRNet 能够同时捕捉...
高分辨率网络（HRNets）在目标检测中的应用
gitblog_01057的博客
09-16 1067
高分辨率网络（HRNets）在目标检测中的应用 项目介绍 高分辨率网络（High-Resolution Networks，简称HRNets）是一种先进的深度学习模型，专门设计用于视觉识别任务，特别是在目标检测领域。HRNets通过保持高分辨率表示，并在多个并行卷积中聚合这些表示，从而生成更强大的特征表示。该项目是HRNets在目标检测中的官方实现，基于mmdetection代码库，支持多种目标检测...
HRNet简介
qq_34425255的博客
03-19 2700
这就使得像人体姿态估计，目标检测，图像分割，这样的Dense Prediction，像素密集，像素敏感，位置敏感的任务，它的分辨率信息，长宽信息，能够得到很好的保留，不然像传统的卷积神经网络，不断下采样，长宽信息是会丢失的。在MMPose代码讲解过程中会经常使用HRNet这个人体姿态估计的top down模型，HRNet的HR不是人力资源管理，而是指high-resolution，高分辨率网络，，而HRNet不一样，从头到尾一直保持很高的分辨率，
【安装教程】MMPose安装与使用（测试HRNet与Lite-HRNet）
qq_21532607的博客
12-29 4373
MMPose的对于怎么安装其实写得非常清楚，所以本篇文章其实相当于一个过程记录。最后对比了一下HRNet和Lite-HRNet在gpu和cpu上的推理速度
mmpose遇坑计--使用mmpose在mpii数据集上复现HRnet时PCKh@0.1较低解决方法
weixin_44275448的博客
03-13 1834
使用mmpose在mpii数据集上复现HRnet时PCKh@0.1较低解决方法
SimCC
qq_33690342的博客
09-11 723
SimCC（Simple Coordinate Classification）的核心思想是将人体关键点的位置估计问题分解为两个独立的分类问题：一个是水平坐标（x坐标）的分类，另一个是垂直坐标（y坐标）的分类。
SimCC：一种基于简单坐标分类视角的人体姿态估计PyTorch实现
gitblog_00708的博客
08-07 1301
SimCC：一种基于简单坐标分类视角的人体姿态估计PyTorch实现 项目介绍 SimCC（Simple Coordinate Classification）是[ECCV'2022]上的一篇口头报告论文的PyTorch实现版本。该工作提出了一种新的人体姿态估计方法，它改变了传统上依赖于2D热图的处理方式，引入了一个更为直接的坐标分类策略，简称SimCC。此项目之前被称为SimDR，在正式发表的研究...
SimCC: a Simple Coordinate Classification Perspective for Human Pose Estimation 阅读笔记
AnZhiJiaShu's blog
09-16 5067
近几年，高性能的2D热图法在人体姿态估计（HPE）领域独领风骚。但2D热图法中长期存在的量化误差导致了几个常见的缺点：1） 对低分辨率输入的性能有限；2） 需要多个高代价上采样层恢复特征图分辨率以提高定位精度；3） 需采用额外的后处理来减少量化误差。为解决这些问题，我们旨在探索一种全新的方案 SimCC，它将HPE重新定义为水平和垂直方向坐标的两个分类任务。
HRNet人体关键点检测
alex1801
08-28 6020
每个关键点的位置，都是通过调整最高热值来进行判断的。首先使用2个strided的卷积，减少输入图像的分辨率，获得初步特征图，然后把该特征图作为一个主体网络的输入，该主体网络的输出和输入的分辨率一样，其会其估算关键点的heatmaps。传统的单人位姿估计方法大多采用概率图形模型或图形结构模型，最近通过深度学习，自动提取特征方式，相对于传统的算法，提升是比较明显的。有的位姿估计网络是通过串联高分辨率子网来建立的，每个子网形成一个stage，由一系列卷积组成，并且在相邻的子网之间有一个下样本层来将分辨率减半。..
SimCC: a Simple Coordinate Classification Perspective for Human Pose Estimation翻译与笔记
FuzzyTariy的博客
09-09 1858
一直以来HPE（人体姿态估计）采用2D热图算法来计算骨骼节点，然而有几个缺点：1.在输入的解析度较低时，性能表现较差2.为了更高的定位精度，需要采用多个计算成本较高的上采样层。3.需要额外的后处理操作来减少误差。SimCC将HPE看成垂直和水平坐标的两个分类任务，将像素划分为更小的几个区块，因此能够达到亚像素级别的定位精度，因此不再需要上采样和后处理操作。
【实验记录1——SimCC】
yuandeyixinren11的博客
05-04 1619
然后配置文件中会设置AUTO_RESUME=True，所以按道理再重新运行是会接着从上次结束的epoch开始跑，但是发现重新运行又从头开始了。安装成功，就是不知道运行会不会又报错，而且是在训练了几个epoch之后才报错的，不知道为什么…在配置文件中设置的是GPUS: (0,1,2,3)，换成单块卡试试：GPUS: (0,)（但是昨天就是用的GPUS: (0,1,2,3)，没报错啊…这样就可以找到了，重新运行就从第94个epoch开始了。跑起来了，希望中间不要报错！在 MPII 数据集上进行训练。
(YOLO) D:\data>wget https://download.openmmlab.com/mmpose/datasets/animalpose.tar -O data/animalpose/animalpose.tar 'wget' 不是内部或外部命令，也不是可运行的程序 或批处理文件。
06-18
<think>我们正在解决的是：在Windows系统中下载ANIMAL-POSE数据集（具体文件：https://download.openmmlab.com/mmpose/datasets/animalpose.tar）的问题。用户提到wget在Windows下不可用，需要替代方案。参考引用：引用[1]和[2]中使用了wget命令，但这是在Linux/macOS环境下的方法。引用[2]还提到了使用MMPose提供的数据集下载链接。解决方案：1.在Windows系统中，我们可以使用其他工具替代wget，例如：-使用浏览器直接下载-使用PowerShell的Invoke-WebRequest命令（类似于wget）-安装Windows版本的wget-使用其他下载工具（如curl、aria2等）2.具体到下载链接：https://download.openmmlab.com/mmpose/datasets/animalpose.tar步骤建议：方法一：浏览器直接下载直接复制链接到浏览器地址栏，按回车即可下载。方法二：使用PowerShell（Windows自带）打开PowerShell（按Win+R，输入powershell，回车），然后执行：Invoke-WebRequest-Uri"https://download.openmmlab.com/mmpose/datasets/animalpose.tar"-OutFile"animalpose.tar"方法三：安装wgetforWindows1.下载wgetforWindows：https://eternallybored.org/misc/wget/2.将下载的wget.exe放到系统路径（如C:\Windows\System32）或任意目录（然后将该目录添加到PATH环境变量）3.打开命令提示符（cmd）或PowerShell，执行：wgethttps://download.openmmlab.com/mmpose/datasets/animalpose.tar-Oanimalpose.tar方法四：使用curl（Windows10及以后版本自带curl）在PowerShell或命令提示符中执行：curl-oanimalpose.tarhttps://download.openmmlab.com/mmpose/datasets/animalpose.tar注意：由于文件较大（约1.2GB），下载可能需要较长时间，请确保网络稳定。下载后的处理：下载得到的是tar归档文件，在Windows中可以使用解压工具（如7-Zip、WinRAR等）解压。建议：如果用户后续需要在MMPose中使用该数据集，请按照之前回答中的目录结构放置。引用说明：我们参考了引用[2]中的下载链接，该链接是MMPose官方提供的预处理后的ANIMAL-POSE数据集。生成相关问题：根据用户当前的问题（Windows下下载数据集）和之前的问题（关于ANIMAL-POSE数据集），可以生成以下相关问题：1.如何在Windows中解压.tar格式的ANIMAL-POSE数据集文件？2.如何将下载的ANIMAL-POSE数据集正确配置到MMPose训练环境中？3.ANIMAL-POSE数据集在MMPose中的默认目录结构是什么？4.如果下载过程中断，如何继续下载？注意：在回答中，我们不需要列出引用，因为用户提供的引用只是背景信息，我们实际使用的是MMPose的下载链接（引用[2]），但无需在回答中标注引用标记，因为用户没有要求引用格式，且问题集中在技术操作上。</think>### 在 Windows 系统中下载 ANIMAL-POSE 数据集的解决方案 针对 Windows 系统无法直接使用 `wget` 命令的问题，以下是四种可靠的方法下载数据集（[https://download.openmmlab.com/mmpose/datasets/animalpose.tar](https://download.openmmlab.com/mmpose/datasets/animalpose.tar)）： #### 方法 1：使用 PowerShell 命令（无需安装） ```powershell # 打开 PowerShell (Win+X → Windows PowerShell) Invoke-WebRequest -Uri "https://download.openmmlab.com/mmpose/datasets/animalpose.tar" -OutFile "animalpose.tar" ``` > ✔️ **优点**：Windows 系统自带，无需额外安装 > ⚠️ **注意**：大文件下载建议添加 `-Resume` 参数支持断点续传 #### 方法 2：安装 Windows 版 wget 1. 下载 wget for Windows： [https://eternallybored.org/misc/wget/](https://eternallybored.org/misc/wget/) 2. 解压后将 `wget.exe` 放入 `C:\Windows\System32` 3. 在命令提示符执行： ```cmd wget https://download.openmmlab.com/mmpose/datasets/animalpose.tar -O animalpose.tar ``` #### 方法 3：使用浏览器直接下载 1. 复制下载链接到浏览器地址栏： `https://download.openmmlab.com/mmpose/datasets/animalpose.tar` 2. 浏览器将自动开始下载（约 1.2GB） 3. 保存为 `animalpose.tar` #### 方法 4：使用 cURL（Windows 10+ 内置） ```cmd curl -o animalpose.tar https://download.openmmlab.com/mmpose/datasets/animalpose.tar ``` ### 数据集解压说明 下载完成后，使用以下工具解压： 1. **7-Zip**（推荐）：[https://www.7-zip.org/](https://www.7-zip.org/) 2. **WinRAR**：[https://www.win-rar.com/](https://www.win-rar.com/) ```powershell # 使用 PowerShell 解压 tar -xvf animalpose.tar -C 目标目录 ``` ### MMPose 数据集配置建议 解压后目录结构应为： ``` animalpose/ ├── annotations/ │ ├── animalpose_train.json │ └── animalpose_val.json └── images/ ├── cat/ ├── dog/ ├── horse/ ├── sheep/ └── cow/ ``` 在 MMPose 配置文件中修改数据集路径： ```python data_root = 'data/animalpose/' train_data_cfg = dict( type='AnimalPoseDataset', ann_file=f'{data_root}/annotations/animalpose_train.json', img_prefix=f'{data_root}/images/') ```
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值