使用mmpose

最新推荐文章于 2025-03-12 16:59:33 发布

xdn2018

最新推荐文章于 2025-03-12 16:59:33 发布

阅读量689

点赞数

本文链接：https://blog.youkuaiyun.com/xdn2018/article/details/117288799

版权

最近使用mmpose遇到一些问题，具体参考如下：
https://blog.youkuaiyun.com/weixin_43013761/article/details/108147457
https://zhuanlan.zhihu.com/p/341737204
做了很好的一些基础解释，mmpose项目本身有详细指导使用手册。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

xdn2018

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

最强姿态模型 mmpose 使用实例

jacke121的专栏

12-17

765

最强姿态模型 mmpose 使用实例

颜色分类leetcode-mmpose:mmPose：使用毫米波雷达进行人体姿态估计的开源工具箱

07-06

颜色分类leetcode 姿势使用毫米波雷达进行人体姿态估计的开源工具箱 PI：项目成员：& 组织：亚利桑那大学电子邮箱：{caos, sengupta, fengjin}@email.arizona.edu 动机虽然基于视觉的传感器提供了场景的高分辨率表示，但存在一些与其操作相关的挑战。它们严重依赖（或受）外部光源来照亮场景，因此在光线不足、恶劣的天气条件或场景/目标被遮挡时变得无效。这些可能导致不可逆转的灾难性事件，类似于 (i) 特斯拉的自动驾驶测试中遇到的那些，其中视觉传感器无法在明亮的天空中检测到拖拉机拖车的白色面（非常高的反射率），以及 (ii) 优步自身- 由于视觉/激光雷达传感器无法及时检测行人以避免在夜间测试期间发生事故（低/无反射率），导致亚利桑那州的驾驶车辆碰撞事故。因此，迫切需要替代传感器来完成任务，同时克服上述挑战。 2018 年亚利桑那州的 Uber 自动驾驶车祸。基于射频 (RF) 的传感器，例如雷达，使用自己的信号照亮目标（主动感应），因此使其在操作上对场景照明和天气条件具有鲁棒性。然而，与基于视觉的传感器不同，雷达使用基于射频强度的空

参与评论您还未登录，请先登录后发表或查看评论

MMPose 使用教程

gitblog_01131的博客

08-08

1002

MMPose 使用教程 mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址:https://gitcode.com/gh_mirrors/mm/mmpose 1. 项目介绍 MMPose 是由 OpenMMLab 开发的一个高性能的多模态人体姿态估计框架。它支持多种任务，如2D人体关键点检测、3D人体关键点检测、脸部/手部/全身的...

利用MMPose进行姿态估计（训练、测试全流程）

qq_20144897的博客

08-07

1万+

利用MMpose进行姿态估计，对动物关键点检测模型进行微调与测试，从数据集构造开始，详细解释各模块作用，训练、测试全流程

mmpose使用笔记

u011994454的博客

08-11

1392

环境配置 xtcocoapi, poseval需要从github下clone安装，mmcv可以直接通过pip install安装。这里主要介绍下top-down方案的使用过程。 demo 我不想install到全局路径中，故每次使用时，需要export一下mmpose的路径。如下： export PYTHONPATH=path_to_your_mmpose_folder image demo python demo/top_down_img_demo.py \ configs/body/2d_kpt_s

mmpose教程

热门推荐

迷若烟雨的专栏

10-29

1万+

mmpose是商汤开源的一款基于 PyTorch 的姿态分析的开源工具箱，是OpenMMLab项目的成员之一。主分支代码目前支持PyTorch 1.5 以上的版本，目前官方已有中文教程

基于QT+OpenCV+Yolo开发的一个手势交互软件，mmpoose可视化界面推理，使用mmpose算法实现关键点的可视化，yolo算法作为检测算法（源码），开箱即用

03-11

至于软件的运行环境，QT版本5.14.2、OpenCV版本4.5.4以及Onnxruntime版本1.14.1的结合使用，确保了软件在性能上的最优表现。MSVC编译器的采用则保证了软件的运行效率和稳定性。软件的标签“QT OpenCV mmpoose可视...

MMPose姿态估计——2.二十分钟上手 MMPOSE

m0_55303420的博客

04-21

2749

本笔记包含了使用 MMPose 1.0 时开发者会关心的内容：整体代码架构与设计逻辑如何用config文件管理模块如何使用自定义数据集如何添加新的模块（骨干网络、模型头部、损失函数等）

树莓派5运行mmpose教程

weixin_44273090的博客

11-13

1009

树莓派5部署mmpose。

MMPose配置及各模型的使用

weixin_38506559的博客

04-03

2448

MMPose

open-mmlab / mmpose安装、使用教程

CharmsLUO的博客

04-16

1万+

mmpose安装、使用教程mmpose安装教程1. 安装mmcv-full2. 安装MMPose2. 安装mmdet使用教程1. 预测图片2. 预测视频 mmpose mmpose是商汤旗下有又一款好用的工具箱，主要是针对姿态识别任务开发的，包括人体姿态识别和动物姿态识别。里面继承很多现成的网络可以供大家使用，并且提供了训练好的权重。用户可以更具自己的需求训练自己的数据，或者直接应用他们的结果，反正就是很全面啦！！！！ github连接：https://github.com/open-mmlab/mmpos

mmpose从安装到运行(必成功!!!!)

weixin_44006686的博客

03-12

840

mmpose安装教程，一次包过！

mmpose使用已有模型推理,图片,视频,[手机]摄像头

weixin_74292291的博客

12-12

1046

mmpose使用已有模型推理,图片,视频,[手机]摄像头

姿态分析开源工具箱MMPose安装及使用示例(2d face landmark detection)

网络资源是无限的

09-03

2391

姿态分析开源工具箱MMPose安装及使用示例(2d face landmark detection)

MMPose代码教程

nty102的博客

06-05

654

从下载并安装 Miniconda。创建并激活一个 conda 环境。基于安装 PyTorch。在 GPU 平台上：使用安装和。安装 MMDetection。方案 a：如果你开发并直接运行 mmdet，从源码安装它：# "-v" 指详细说明，或更多的输出# "-e" 表示在可编辑模式下安装项目，因此对代码所做的任何本地修改都会生效，从而无需重新安装。源码安装MMPOSE：cd mmpose# "-v" 表示输出更多安装相关的信息。

十分钟快速上手MMpose-实现全身关键点识别

qq_44917046的博客

03-30

1147

这是我自己做项目的时候用到一些积累经验。

MMPOSE代码教学

weixin_42837310的博客

06-09

957

MMPOSE代码教学

MMPose 开源项目使用教程

gitblog_00366的博客

08-08

408

MMPose 开源项目使用教程 mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址:https://gitcode.com/gh_mirrors/mm/mmpose 1. 项目的目录结构及介绍 MMPose 是一个用于人体姿态估计的开源项目，其目录结构清晰，便于用户理解和使用。以下是 MMPose 项目的主要目录结构及其介绍： m...

MMPose训练流程

weixin_45387281的博客

02-13

2130

mmpose

mmpose使用教程

最新发布

04-25

### MMPose 使用教程 #### 项目简介 MMPose 是 OpenMMLab 提供的一个开源姿态估计工具箱和基准测试平台[^1]。它提供了丰富的功能模块以及预训练模型，支持多种人体姿态检测算法。 #### 安装依赖项为了使用 MMPose 工具包，首先需要安装必要的 Python 库和其他环境配置。可以按照官方文档中的说明来完成安装过程。通常情况下，推荐通过 `pip` 来安装最新版本的 MMPose： ```bash pip install openmim mim install mmpose ``` 如果需要从源码编译并安装，则可以通过克隆仓库的方式获取代码，并运行相应的脚本来构建环境[^1]: ```bash git clone https://github.com/open-mmlab/mmpose.git cd mmpose pip install -r requirements.txt python setup.py develop ``` #### 转换 ONNX 模型对于希望将 PyTorch 模型转换成 ONNX 的用户来说，可能需要注意一些特定层的操作实现方式是否会引发兼容性问题。例如，在 LiteHRNet 骨干网络中存在动态池化的操作，默认设置下可能会阻碍成功导出为 ONNX 文件。此时需手动调整相关部分代码逻辑以适应静态尺寸输入的要求[^2]。编辑路径下的文件 `/path/to/litehrnet.py`, 修改其中涉及自定义算子的部分使其满足ONNX Exporter需求: ```python import torch.nn.functional as F class CustomAvgPool(torch.autograd.Function): @staticmethod def symbolic(g, input_x, output_size): return g.op("AveragePool", input_x, kernel_shape_i=[output_size * 2], strides_i=[output_size]) @staticmethod def forward(ctx, input_x, output_size): ctx.output_size = output_size return F.avg_pool2d(input_x, (ctx.output_size*2), stride=ctx.output_size) def avgpool_forward(self, x): _, _, h, w = x.size() target_h = self.final_cfg['down_ratio'] ** int(math.log(h / self.width, 2)) target_w = self.final_cfg['down_ratio'] ** int(math.log(w / self.height, 2)) y = CustomAvgPool.apply(x, min(target_h, target_w)) return y ``` 之后再次尝试执行命令行指令生成目标格式模型文件即可[^2]. #### 推理流程概述一旦完成了上述准备工作后就可以加载已有的权重参数来进行预测任务了。下面给出一段简单的推理示例代码片段用于展示如何调用该库的功能接口处理单张图片数据的情况： ```python from mmdet.apis import inference_detector, init_detector from mmcv.runner import load_checkpoint from mmpose.models import build_posenet from mmpose.datasets import DatasetInfo config_file = 'configs/body/2d_kpt_sview_rgb_img/topdown_heatmap/coco/hrnet_w32_coco_256x192.py' checkpoint_path = './checkpoints/hrnet_w32_coco_256x192-bcb8c247_20200816.pth' model = init_detector(config_file, checkpoint=None, device='cuda:0') pose_model = build_posenet(Config.fromfile(config_file)).to('cuda') dataset_info = pose_model.cfg.data['test'].get('dataset_info', None) if dataset_info is not None: dataset_info = DatasetInfo(dataset_info) image_name = "./data/test_image.jpg" result = inference_top_down_pose_model(pose_model, image_name, format='xywh')[0] print(result) ```