qq_21532607的博客

注意，如果你想使用SDK进行C++的推理，请直接跳到第5步，自定义算子跟SDK会一起编译这里使用的是上一篇文章的mmdeploy1.0代码。但是github上已经更新了1.1版本，这里使用git push更新代码到了1.1版本。如果你没有mmdeploy，请参考我的上一篇文章。上一篇文章的mmdeploy使用的是预编译包，而官方的预编译包中没有ncnn自定义算子，所以这我们要自己编译mmdeploy的自定义算子。cd build。

YOLO-Pose与其他buttom-up的方法一样，也是一种single shot的方法。虽然基于top-down方法的HRNet网络精度很高（在COCO数据集上最高能达到76.7mAP），但是由于其需要一个额外的detector和网络中始终保持着高分辨率的heatmap的原因，网络在推理时的速度非常的慢，这就使得类似与HRNet的网络不适合部署在低算力的边缘设备上。进入开源地址是看不到YOLO-Pose源码的，在master分支显示的是YOLOv5的源码，我们想要的源码在名为yolo-pose的分支。

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：下面开始Part.1部分：首先我们要找到HRnet默认的配置文件，simDR的文件要在此基础上进行修改，这里我们使用。

hardswish和hardmish是两个比ReLu更强的激活函数，在姿态估计网络中使用可以带来一定的涨点，故本篇文章想要在mmpose中替换一下激活函数，测试一下两种新的激活函数的效果。

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

由于Facebook的detectron2没有对windows平台做官方支持，所以在安装的时候发生了很多问题，于是有了这篇问题记录的贴子。截至2022.11.28GitHub上detectron2的版本为0.6。如果文章对你有帮助请给我一个小小的赞。

从公开数据集中得到自己需要的部分