人体骨骼关键点检测

最新推荐文章于 2023-12-11 19:34:34 发布
最新推荐文章于 2023-12-11 19:34:34 发布
阅读量3.1k 收藏 4
点赞数
分类专栏： 算法与模型
本次竞赛聚焦于人体骨骼关键点检测，旨在精准预测复杂动作下人体姿态。参赛者需设计算法，对自然图像中的人体骨骼关键点进行检测，评估依据为mAP值，涉及OKS相似性评分。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

人体骨骼关键点检测

挑战复杂生活场景中的人体检测，并预测多种复杂动作下的人体骨骼关键点位置

https://challenger.ai/competition/keypoint/subject

简介

人体骨骼关键点对于描述人体姿态，预测人体行为至关重要。因此人体骨骼关键点检测是诸多计算机视觉任务的基础，例如动作分类，异常行为检测，以及自动驾驶等等。本次比赛邀请参赛者设计算法与模型，对自然图像中可见的人体骨骼关键点进行检测。组委会将通过计算参赛者提交的检测结果与真实标注之间的相似性来评估参赛者的算法模型。

数据说明

数据集分为训练（70%）、验证（10%）、测试A（10%）与测试B（10%）四部分。数据集图片中的每一个重要人物（占图像面积较大的清晰人物），我们均对其进行了人体骨骼关键点标注。其中每个人物的全部人体骨骼关键点共有14个，编号顺序如表所示，依次为：

表1: 人体骨骼关键点编号顺序
1/右肩 2/右肘 3/右腕 4/左肩 5/左肘
6/左腕 7/右髋 8/右膝 9/右踝 10/左髋
11/左膝 12/左踝 13/头顶 14/脖子

每个人体骨骼关键点有三种状态：可见、不可见、以及不在图内或不可推测。


一个标注的可视化例子如下图所示。其中红色为可见点，灰色为不可见点，关键点旁的数字为关键点对应编号：

图1: 人体骨骼关键点标注示例

人体骨骼关键点的标注信息以JSON格式存储。每个JSON文件分别对应一个分割数据集，一个JSON文件中的每个item存储该数据集中一张图片的人体框位置与人体骨骼关键点位置。其中JSON文件格式如下所示：

    
  
  
  1. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
      
     
     
    
    
    
  2. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
      [
      
      
     
     
    
    
    
  3. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
          {
     
     
    
    
    
  4. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "image_id"
      
      : 
      
      "a0f6bdc065a602b7b84a67fb8d14ce403d902e0d"
      
      ,
     
     
    
    
    
  5. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "human_annotations"
      
      :
     
     
    
    
    
  6. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
              {
     
     
    
    
    
  7. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
                  
      
      "human1"
      
      : [
      
      178
      
      ,
      
      250
      
      ,
      
      290
      
      ,
      
      522],
     
     
    
    
    
  8. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                
      
      "human2": [
      
      293,
      
      274,
      
      352,
      
      473],
     
     
    
    
    
  9. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                
      
      "human3": [
      
      315,
      
      236,
      
      389,
      
      495],
     
     
    
    
    
  10. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
              ...},
     
     
    
    
    
  11. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "keypoint_annotations":
     
     
    
    
    
  12. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
              {
     
     
    
    
    
  13. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "human1": [
      
      261, 
      
      294, 
      
      1, 
      
      281, 
      
      328, 
      
      1, 
      
      259, 
      
      314, 
      
      2,
     
     
    
    
    
  14. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      213, 
      
      295, 
      
      1, 
      
      208, 
      
      346, 
      
      1, 
      
      192, 
      
      335, 
      
      1,
     
     
    
    
    
  15. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      245, 
      
      375, 
      
      1, 
      
      255, 
      
      432, 
      
      1, 
      
      244, 
      
      494, 
      
      1,
     
     
    
    
    
  16. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      221, 
      
      379, 
      
      1, 
      
      219, 
      
      442, 
      
      1, 
      
      226, 
      
      491, 
      
      1,
     
     
    
    
    
  17. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      226, 
      
      256, 
      
      1, 
      
      231, 
      
      284, 
      
      1],
     
     
    
    
    
  18. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "human2": [
      
      313, 
      
      301, 
      
      1, 
      
      305, 
      
      337, 
      
      1, 
      
      321, 
      
      345, 
      
      1,
     
     
    
    
    
  19. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      331, 
      
      316, 
      
      2, 
      
      331, 
      
      335, 
      
      2, 
      
      344, 
      
      343, 
      
      2,
     
     
    
    
    
  20. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      313, 
      
      359, 
      
      1, 
      
      320, 
      
      409, 
      
      1, 
      
      311, 
      
      454, 
      
      1,
     
     
    
    
    
  21. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      327, 
      
      356, 
      
      2, 
      
      330, 
      
      409, 
      
      1, 
      
      324, 
      
      446, 
      
      1,
     
     
    
    
    
  22. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      337, 
      
      284, 
      
      1, 
      
      327, 
      
      302, 
      
      1],
     
     
    
    
    
  23. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "human3": [
      
      373, 
      
      304, 
      
      1, 
      
      346, 
      
      286, 
      
      1, 
      
      332, 
      
      263, 
      
      1,
     
     
    
    
    
  24. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      363, 
      
      308, 
      
      2, 
      
      342, 
      
      327, 
      
      2, 
      
      345, 
      
      313, 
      
      1,
     
     
    
    
    
  25. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      370, 
      
      385, 
      
      2, 
      
      368, 
      
      423, 
      
      2, 
      
      370, 
      
      466, 
      
      2,
     
     
    
    
    
  26. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      363, 
      
      386, 
      
      1, 
      
      361, 
      
      424, 
      
      1, 
      
      361, 
      
      475, 
      
      1,
     
     
    
    
    
  27. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
                        
      
      365, 
      
      273, 
      
      1, 
      
      369, 
      
      297, 
      
      1],
     
     
    
    
    
  28. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
              ...}
     
     
    
    
    
  29. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
          },
     
     
    
    
    
  30. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
          ...
     
     
    
    
    
  31. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
      ]
     
     
    
    
    
  32.

其中，各字段存储信息如下：

“image_id”：字符串，存储图像的文件名。

“human_annotations”：若干长度为4的整数型数列，存储人体框的位置。其中前两个参数为人体框左上角点的坐标值，后两个参数为人体框右下角点的坐标值。

“keypoint_annotations”：若干长度为42的整数型数列，存储人体骨骼关节点位置。数列形式为：[x1,y1,v1,x2,y2,v2,⋅⋅⋅,x14,y14,v14][x1,y1,v1,x2,y2,v2,⋅⋅⋅,x14,y14,v14]，其中(xi,yi)(xi,yi)为编号ii的人体骨骼关节点的坐标位置，vivi为其状态（vi=1vi=1可见，vi=2vi=2不可见，vi=3vi=3不在图内或不可推测）。 人体骨骼关键点的编号顺序如表格所示，依次为：1/右肩，2/右肘，3/右腕，4/左肩，5/左肘，6/左腕，7/右髋，8/右膝，9/右踝，10/左髋，11/左膝，12/左踝，13/头顶，14/脖子。

结果提交说明

选手返回的结果应存为JSON文件，格式如下：

    
  
  
  1. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
      
     
     
    
    
    
  2. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
      [
      
      
     
     
    
    
    
  3. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
          {
     
     
    
    
    
  4. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "image_id"
      
      : 
      
      "a0f6bdc065a602b7b84a67fb8d14ce403d902e0d"
      
      ,
     
     
    
    
    
  5. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "keypoint_annotations"
      
      : {
     
     
    
    
    
  6. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "human1"
      
      : [
      
      261
      
      , 
      
      294
      
      , 
      
      1
      
      , 
      
      281
      
      , 
      
      328
      
      , 
      
      1
      
      , 
      
      0
      
      , 
      
      0
      
      , 
      
      0
      
      , 
      
      213
      
      , 
      
      295
      
      , 
      
      1
      
      , 
      
      208
      
      , 
      
      346
      
      , 
      
      1
      
      , 
      
      192
      
      , 
      
      335
      
      , 
      
      1
      
      , 
      
      245
      
      , 
      
      375
      
      , 
      
      1
      
      , 
      
      255
      
      , 
      
      432
      
      , 
      
      1
      
      , 
      
      244
      
      , 
      
      494
      
      , 
      
      1
      
      , 
      
      221
      
      , 
      
      379
      
      , 
      
      1
      
      , 
      
      219
      
      , 
      
      442
      
      , 
      
      1
      
      , 
      
      226
      
      , 
      
      491
      
      , 
      
      1
      
      , 
      
      226
      
      , 
      
      256
      
      , 
      
      1
      
      , 
      
      231
      
      , 
      
      284
      
      , 
      
      1],
     
     
    
    
    
  7. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "human2": [
      
      313, 
      
      301, 
      
      1, 
      
      305, 
      
      337, 
      
      1, 
      
      321, 
      
      345, 
      
      1, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      313, 
      
      359, 
      
      1, 
      
      320, 
      
      409, 
      
      1, 
      
      311, 
      
      454, 
      
      1, 
      
      0, 
      
      0, 
      
      0, 
      
      330, 
      
      409, 
      
      1, 
      
      324, 
      
      446, 
      
      1, 
      
      337, 
      
      284, 
      
      1, 
      
      327, 
      
      302, 
      
      1],
     
     
    
    
    
  8. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
            
      
      "human3": [
      
      373, 
      
      304, 
      
      1, 
      
      346, 
      
      286, 
      
      1, 
      
      332, 
      
      263, 
      
      1, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      345, 
      
      313, 
      
      1, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      0, 
      
      363, 
      
      386, 
      
      1, 
      
      361, 
      
      424, 
      
      1, 
      
      361, 
      
      475, 
      
      1, 
      
      365, 
      
      273, 
      
      1, 
      
      369, 
      
      297, 
      
      1],
     
     
    
    
    
  9. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
              ...
     
     
    
    
    
  10. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
              }
     
     
    
    
    
  11. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
          }
     
     
    
    
    
  12. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
          ...
     
     
    
    
    
  13. 
    
    
    
     
     
    
    
    
    
    
    
    
     
     
    
      
      ]
     
     
    
    
    
  14.

其中“keypoint_annotations”字段为若干长度为42的整数型数列，人体骨骼关键点的编号顺序依次为：1/右肩，2/右肘，3/右腕，4/左肩，5/左肘，6/左腕，7/右髋，8/右膝，9/右踝，10/左髋，11/左膝，12/左踝，13/头顶，14/脖子。本次比赛只要求返回检测结果为可见（v = 1）的人体骨骼关键点，未检测出的人体骨骼关键点可用(0,0,0)代替。

评价标准

人体骨骼关键点比赛的评价指标类比通用的物体检测评价方式，将最终的mAP(mean Average Precision)值作为参赛选手排名的依据。物体检测任务中使用IoU(Intersection over Union)来评价预测与真实标注之间的差异，在人体骨骼关键点检测任务中，我们使用OKS(Object Keypoint Similarity)代替IoU，对选手预测的人体骨骼关键点位置与真实标注之间的相似性进行打分。[1]

最终指标mAP的计算方式如下所示：

mAP=mean{AP@(0.50:0.05:0.95)}mAP=mean{AP@(0.50:0.05:0.95)}

其中s为OKS阈值，最终评价指标mAP为在不同阈值下得到的平均准确率（AP）的均值。

平均准确率（AP）用一般物体检测相同的方式得到，但度量性指标由IoU更改为OKS。给定OKS阈值s，选手预测的结果在整个测试集上的平均准确率（AP@s）可由测试集中所有图片的OKS指标计算得到:

AP@s=∑pδ(OKSp>s)∑p1AP@s=∑pδ(OKSp>s)∑p1

OKS分数类比一般物体检测的IoU值，为选手预测的人体骨骼关键点位置与真实标注之间的相似性打分。OKS的主体思想为关键点位置的加权欧氏距离，对人物p，OKS分数定义如下：

OKSp=∑iexp{−d2pi/2s2pσ2i}δ(vpi=1)∑iδ(vpi=1)OKSp=∑iexp{−dpi2/2sp2σi2}δ(vpi=1)∑iδ(vpi=1)

其中，pp为人体编号；ii为人体骨骼关键点编号；dpidpi为选手预测关键点位置与标注位置的欧式距离；spsp为人体p的尺度因子，定义为人体框面积的平方根；σiσi是人体骨骼关键点归一化因子，由人工标注位置偏移的标准差计算得到；vpivpi为第p人的第i个关键点的状态，δ(⋅)δ(⋅)为克罗内克函数，即只有被标为可见的人体骨骼关键点（v=1v=1）计入评价指标。

我们将提供验证脚本，帮助选手在线下测试模型效果。测试脚本、以及详细使用方法，将与验证数据集同时发布。


[1] Lin, Tsung-Yi and Maire, Michael and Belongie, Serge and Hays, James and Perona, Pietro and Ramanan, Deva and Dollar, Piotr and Zitnick, C Lawrence, "Microsoft coco: Common objects in context", European conference on computer vision, pp.740--755, Springer, 2015.↩

人体骨骼关键点检测(姿态估计)综述2019
weixin_43915208的博客
06-14 1万+
目录： 1.前言 2.相关数据集 3.研究方向分类 4.单人关键点检测的发展（2016-2019） 5.Ground Truth的构建 6.自上而下的人体关键点检测算法 一.前言 人体骨骼关键点检测是诸多计算机视觉任务的基础，例如动作分类，行为识别，以及无人驾驶等等。2012年，Hinton课题组为了证明深度学习的潜力，首次参加ImageNet图像识别比赛，其通过构建的CNN网络AlexNet一举...
人体骨骼关键点检测Alphapose代码
03-24
基于window系统，pytorch框架，实现的人体骨骼关键点检测的Alphapose源码 ，比openpose的准确度高。亲测有效。
人体骨骼关键点检测综述
06-26
人体骨骼关键点对于描述人体姿态，预测人体行为至关重要。因此人体骨骼关键点检测是诸多计算机视觉任务的基础，例如动作分类，异常行为检测，以及自动驾驶等等。近年来，随着深度学习技术的发展，人体骨骼关键点检测效果不断提升，已经开始广泛应用于计算机视觉的相关领域。本文主要介绍2D人体骨骼关键点的基本概念和相关算法，其中算法部分着重介绍基于深度学习的人体骨骼关键点检测算法的两个方向，即自上而下（Top-Down）的检测方法和自下而上（Bottom-Up）的检测方法。
人体骨骼关键点检测综述(1)
01-07
一、简介 实现人体检测，通常采用人体姿态估计（Human Posture Estimation），即将图片中已检测到的人体关键点正确联系起来，从而实现人体姿态的估计，实现人体的检测。人体关键点通常对应人体上有一定自由度的关节，比如颈、肩、肘、腕、腰、膝、踝等。 通过对人体关键点在三维空间相对位置的计算，可以估计人体当前的姿态。同时如果增加时间序列，在一段时间内观测人体关键点的位置变化，可以更加准确的进行姿态的检测以及估计目标未来时刻的姿态，做到更加抽象的人体行为分析，比如判断一个人是否在进行打羽毛球。 人体姿态估计技术在体育健身、动作采集、3D试衣、舆情监测等领域具有广阔的应用前景，具体应用主
PP-YOLOE行人检测+HRNet人体骨骼关键点检测ONNXRuntime部署包含C++和Python源码+模型+说明.zip
最新发布
05-02
标题中的“PP-YOLOE行人检测+HRNet人体骨骼关键点检测ONNXRuntime部署”是一个结合了两个深度学习模型的项目，旨在实现对行人的检测以及对人体关键点的识别。这里涉及到的主要技术包括目标检测（Object Detection）...
人体骨骼关键点检测综述(2)
01-06
五、OpenPose库OpenPose人体姿态识别项目是美国卡耐基梅隆大学（CMU）基于卷积神经网络和监督学习并以Caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人，具有极好的鲁棒...
9月5日关键点检测学习笔记——人体骨骼点检测：自顶向下
Ashen_0nee的博客
09-05 1466
本文为9月5日关键点检测学习笔记——人体骨骼点检测：自顶向下，分为三个章节： - 常用数据集； - 评价体系； - Top-down 自顶向下。
人体三维骨骼运动仿真研究毕业设计(报告加源程序)
01-07
优秀毕业哦 OpenGL作为一种三维工具软件包，在交互式三维图形建模能力和编程方面具有无可比拟的优越性。OpenGL是SGI公司开发的，可独立?操作系统和硬件环境的三维图形库，已在各种工作站和高档微机中运行，由于其强大的图形功能和跨平台的能力，已成为事实上的图形标准，被人们广泛应用于科学可视化、实体造型、CAD/CAM、模拟仿真等诸多领域。 在医学应用中，人体骨骼的使用能使医生和病人之间有一个良好的沟通，使病人能知道自己的病情，能很好的配合医生进行有效的治疗；在实践教学中，通过对人体骨骼的展示，教师能很好的讲解各个骨骼关节之间的运动关系，从而使学生对骨骼和骨骼关节之间的运动关系有更深刻的理解。 课题来源于徐州翰林高科技公司，该公司主要从事医学图像处理软件研究与开发。课题“人体三维骨骼运动仿真研究”的目的是利用三维仿真技术，利用骨骼模型进行编程和控制展示人体骨骼及运动，主要包括三维建模技术及实现，人体运动方式设计等. 课题是以visual C++和OpenGL为编程环境来仿真人体骨骼运动，通过对人体主要骨骼和骨骼之间的运动关系来展示人体的奇妙之处。
计算机视觉人体骨骼点动作识别-1.训练自己的关键点检测模型
大李出奇迹的博客
05-27 7387
人体关键点检测算法 关键点并不特指人体骨骼关键点，还有人脸关键点，物体的关键点。其中人体的关键点，也叫作pose Estimation，是最热门，也是最有难度，应用最广的。 应用可以包括：行为识别，人机交互，智能家居，虚拟现实。 具体细分下来可以分为：单人/多人，2D/3D。 关键点检测算法，总体分为3类 方法1：基于坐标（coordinate） 方法2：基于概率图（heatmap） 方法3：基于heatmap和offset（偏移） 单人2D关键点检测算法 多人2D关键点检测算法 自上
人体骨骼关键点检测的算法
聪哥965
10-09 1万+
1.AlphaPose 实时全身多人姿势估计与跟踪系统 https://github.com/MVIG-SJTU/AlphaPose.git git clone -b pytorch https://github.com/MVIG-SJTU/AlphaPose.git python demo.py --indir examples/demo --outdir examples/res --sp python video_demo.py --video D:/cpl.mp4 --outdir example
AI Challenger-人体骨骼关键点检测&& Human Pose Estimation
Z5337209的专栏
09-15 1万+
AI Challenger 其中的人体骨骼关键点检测主要依赖的技术背景为Human pose estimation。该领域分为单人和多人两类，根据竞赛数据集来看，该任务为mult-person pose estimation。以下先介绍该竞赛的相技术背景 --  Background 专业术语：multi-person pose estimation 文章列表 1. CMP
matlab人体关节点提取,一种通过提取人体关节点坐标的行为识别方法与流程
weixin_36462845的博客
03-22 1696
本发明属于人工智能技术领域，涉及一种通过提取人体关节点坐标的行为识别方法。背景技术：随着人工智能和互联网技术的飞速发展，人们作为社会活动的主体，人类日常行为变化是视频监控系统下被关注的主体，通过视频实时提取人体行为活动，做到计算机自动检测人体异常行为，可以更好地实现智能化生活。迄今为止，人体行为识别技术的研究不断被应用于军事、医疗、监控等。例如：高考考场防作弊监控系统来预防学生作弊；智能化养老房间...
9月5日关键点检测学习笔记——人体骨骼点检测：自底向上
Ashen_0nee的博客
09-05 1002
本文为9月5日关键点检测学习笔记——人体骨骼点检测：自底向上，分为四个章节： - 堆叠沙漏网络 Stacked Hourglass Networks； - 自顶向下的问题； - 自底向上； - OpenPose 实战。
人体关键点检测2：Pytorch实现人体关键点检测(人体姿势估计)含训练代码
AI吃大瓜的博客
12-11 8778
人体关键点检测（Human Keypoints Detection）又称为人体姿态估计2D Pose，是计算机视觉中一个相对基础的任务，是人体动作识别、行为分析、人机交互等的前置任务。一般情况下可以将人体关键点检测细分为单人/多人关键点检测、2D/3D关键点检测，同时有算法在完成关键点检测之后还会进行关键点的跟踪，也被称为人体姿态跟踪。 python实现人体关键点检测，python实现人体检测，2D Pose
2D Pose人体关键点实时检测(Python/Android /C++ Demo)
热门推荐
AI吃大瓜的博客
07-22 4万+
​ 人体关键点检测（Human Keypoints Detection）又称为人体姿态估计2D Pose，是计算机视觉中一个相对基础的任务，是人体动作识别、行为分析、人机交互等的前置任务。一般情况下可以将人体关键点检测细分为单人/多人关键点检测、2D/3D关键点检测，同时有算法在完成关键点检测之后还会进行关键点的跟踪，也被称为人体姿态跟踪。 本博客提供2D Pose的Python代码，以及C++版本的推理代码，还提供Android Demo APP，已经集成了轻量化版本的人体检测模型和人体姿态估计模型，在
行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)
AI吃大瓜的博客
04-27 6002
这是项目《行人检测(人体检测)》系列之《C++实现行人检测/人体检测(含源码，可实时行人检测)本篇主要分享将Python训练后的YOLOv5的行人检测(人体检测)模型转写成C/C++代码。我们将开发一个简易的、可实时运行的行人检测(人体检测)C/C++ Demo。行人检测(人体检测)C/C ++版本模型推理支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的检测效果，基本满足业务的性能需求。先展示一下行人检测(人体检测)的效果：【尊重原创，转载请注明出处】
评论 1
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