MMPose人体姿态估计关键点检测从安装到推理完整攻略【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose你想在视频里实时追踪 17 个人体关节框架却堆了一堆不知从哪下手。MMPoseOpenMMLab 出品的姿态估计工具箱20 种关键点检测算法开箱即用。读完这篇从安装到第一张推理结果图你能独立跑完整个流程。三分钟从零到第一张推理结果先把仓库拉到本地并装好依赖下面这条命令做安装git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e .仓库里自带测试图直接喂给image_demo.py跑单张人体姿态估计python demo/image_demo.py \ tests/data/coco/000000000785.jpg \ configs/body_2d_keypoint/topdown_heatmap/coco/td-hm_hrnet-w48_8xb32-210e_coco-256x192.py \ hrnet_w48_coco_256x192.pth \ --out-file vis_results.jpg \ --draw-heatmap跑完在vis_results.jpg里就能看到 17 个关键点连成的骨架。命令里的 checkpoint 文件名是占位你需要先从 model zoo 下载对应权重放到本地具体哪个文件、精度多少看 rtmpose 模型列表 就行。跑不通大概率是 PyTorch 版本和 CUDA 对不上去 PyTorch 官网查你显卡对应的 cu 版本重装。选模型按场景对号入座数字都是仓库 model zoo 里 COCO val2017 的真实结果对号入座即可场景推荐模型关键指标一句话理由高精度rtmpose-l-aic-cocoAP 0.773384x288COCO 上精度最高的档位均衡实时rtmpose-mAP 0.746256x192RTMPose 默认主力精度速度平衡轻量移动端rtmpose-sAP 0.716256x192小模型推理更快更省全身 133 点rtmw-lAP 0.743256x192手、脸、身体 133 个关键点一次到位如果你就想要个流畅跑的rtmpose-m直接上它是默认主力。要抠极致精度再切到rtmpose-l-aic-coco加 384x288 输入。要连手指、人脸一起出就上rtmw系列133 个关键点一锅端。它背后怎么跑的去掉公式版整套流程拆成输入、处理、输出三步你懂的就是流水线输入mmpose/datasets/ 负责加载和增强。top-down 路线先把人框出来像拿剪刀把每个人单独剪成 256x192 的小图再喂给模型这样模型只看一个人省算力。处理mmpose/models/ 里 backboneRTMPose 用的是 CSPNeXt提特征head 出关键点。输出mmpose/codecs/ 里 RTMPose 用 SimCC把猜 x、y 坐标拆成两张独立的一维分布分别预测比直接回归一个点稳得多最后 mmpose/evaluation/ 算 AP。核心配置其实就几行本质是声明用哪个 backbone、哪套 codecmodel dict( typeTopdownPoseEstimator, backbonedict(typeCSPNeXt, archP5), codecdict(typeSimCCLabel, input_size(192, 256)), )数据增强相当于给图片随机做旋转、缩放、翻转的整容让模型见惯各种角度和体型你不用自己写配置里开关就行。五个真实场景看看它帮你干什么健身教练动作打分你在做深蹲跟练 App教练团队用 MMPose 抓出 17 个关节坐标逐帧对比标准动作的关节角度给出膝盖内扣 5 分这种量化反馈。安防异常行为识别监控值班员靠摄像头回看MMPose 先把画面里每个人的姿态关键点提出来再由上层逻辑判断摔倒打架等异常多人拥挤场景也能逐个区分。游戏 3D 动捕前端动作捕捉团队把演员 2D 关键点作为前端输入交给后端重建 3D 骨架MMPose 负责把 2D 这一步做准做快。工业工人姿态合规检测车间质检用topdown_demo_with_mmdet.py对视频流做实时姿态估计结合人体检测器配置在 demo/mmdetection_cfg/判断工人是否按标准姿势操作偏离就报警。体育康复训练分析康复师用 RTMPose 系列追踪患者关节角度随时间的变化曲线量化康复进度比肉眼判断更客观。改成你自己的自定义数据集和调参别怕改配置本质就是改几个路径和数字。第一步把你的数据转成 COCO 格式转换器脚本在 tools/dataset_converters/比如python tools/dataset_converters/mat2json.py能把.mat转成 json。第二步复制一个现成的 coco 配置改data_root指向你的数据集路径再把num_keypoints改成你实际的关节数其余基本不动。第三步一条命令开训python tools/train.py configs/your_config.py卡多就换分布式一条命令搞定不用改代码./tools/dist_train.sh configs/your_config.py 88 代表用 8 卡。踩坑清单这五个坑我替你踩过了mmcv 版本对不上→ 报AssertionError: MMCVxxx is used but incompatible→ MMPose 1.x 得配 mmcv 2.x按 FAQ 里的版本对应表重装。xtcocotools 装不上→ 报No matching distribution found→ 先pip install cython再装 xtcocotools顺序别反。No module named mmcv.ops→ 说明你装了纯 python 版 mmcv →pip uninstall mmcv后装带编译算子的那版。加载预训练权重报 Unexpected keys→ 以为是自己装错了 → 正常现象backbone 和 pose 网络结构本就不一样忽略即可。Address already in use→ 分布式训练起不来 → 换个端口MASTER_PORT29517再跑一遍。跟谁玩最开心生态与扩展MMDetection 负责框人MMPose 负责出关键点两者天然搭档。MMDeploy 管模型部署和 ONNX/TensorRT 导出。MMTracking 能把视频里的关键点串成稳定轨迹。扩展项目看这两个就够入门projects/rtmpose3d/ 做 3D 姿态估计projects/pose_anything/ 做通用姿态估计。先跑 demo 看效果别一上来就啃源码。官方文档docs/演示脚本demo/模型配置configs/核心源码mmpose/【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MMPose：人体姿态估计关键点检测，从安装到推理完整攻略
MMPose人体姿态估计关键点检测从安装到推理完整攻略【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose你想在视频里实时追踪 17 个人体关节框架却堆了一堆不知从哪下手。MMPoseOpenMMLab 出品的姿态估计工具箱20 种关键点检测算法开箱即用。读完这篇从安装到第一张推理结果图你能独立跑完整个流程。三分钟从零到第一张推理结果先把仓库拉到本地并装好依赖下面这条命令做安装git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e .仓库里自带测试图直接喂给image_demo.py跑单张人体姿态估计python demo/image_demo.py \ tests/data/coco/000000000785.jpg \ configs/body_2d_keypoint/topdown_heatmap/coco/td-hm_hrnet-w48_8xb32-210e_coco-256x192.py \ hrnet_w48_coco_256x192.pth \ --out-file vis_results.jpg \ --draw-heatmap跑完在vis_results.jpg里就能看到 17 个关键点连成的骨架。命令里的 checkpoint 文件名是占位你需要先从 model zoo 下载对应权重放到本地具体哪个文件、精度多少看 rtmpose 模型列表 就行。跑不通大概率是 PyTorch 版本和 CUDA 对不上去 PyTorch 官网查你显卡对应的 cu 版本重装。选模型按场景对号入座数字都是仓库 model zoo 里 COCO val2017 的真实结果对号入座即可场景推荐模型关键指标一句话理由高精度rtmpose-l-aic-cocoAP 0.773384x288COCO 上精度最高的档位均衡实时rtmpose-mAP 0.746256x192RTMPose 默认主力精度速度平衡轻量移动端rtmpose-sAP 0.716256x192小模型推理更快更省全身 133 点rtmw-lAP 0.743256x192手、脸、身体 133 个关键点一次到位如果你就想要个流畅跑的rtmpose-m直接上它是默认主力。要抠极致精度再切到rtmpose-l-aic-coco加 384x288 输入。要连手指、人脸一起出就上rtmw系列133 个关键点一锅端。它背后怎么跑的去掉公式版整套流程拆成输入、处理、输出三步你懂的就是流水线输入mmpose/datasets/ 负责加载和增强。top-down 路线先把人框出来像拿剪刀把每个人单独剪成 256x192 的小图再喂给模型这样模型只看一个人省算力。处理mmpose/models/ 里 backboneRTMPose 用的是 CSPNeXt提特征head 出关键点。输出mmpose/codecs/ 里 RTMPose 用 SimCC把猜 x、y 坐标拆成两张独立的一维分布分别预测比直接回归一个点稳得多最后 mmpose/evaluation/ 算 AP。核心配置其实就几行本质是声明用哪个 backbone、哪套 codecmodel dict( typeTopdownPoseEstimator, backbonedict(typeCSPNeXt, archP5), codecdict(typeSimCCLabel, input_size(192, 256)), )数据增强相当于给图片随机做旋转、缩放、翻转的整容让模型见惯各种角度和体型你不用自己写配置里开关就行。五个真实场景看看它帮你干什么健身教练动作打分你在做深蹲跟练 App教练团队用 MMPose 抓出 17 个关节坐标逐帧对比标准动作的关节角度给出膝盖内扣 5 分这种量化反馈。安防异常行为识别监控值班员靠摄像头回看MMPose 先把画面里每个人的姿态关键点提出来再由上层逻辑判断摔倒打架等异常多人拥挤场景也能逐个区分。游戏 3D 动捕前端动作捕捉团队把演员 2D 关键点作为前端输入交给后端重建 3D 骨架MMPose 负责把 2D 这一步做准做快。工业工人姿态合规检测车间质检用topdown_demo_with_mmdet.py对视频流做实时姿态估计结合人体检测器配置在 demo/mmdetection_cfg/判断工人是否按标准姿势操作偏离就报警。体育康复训练分析康复师用 RTMPose 系列追踪患者关节角度随时间的变化曲线量化康复进度比肉眼判断更客观。改成你自己的自定义数据集和调参别怕改配置本质就是改几个路径和数字。第一步把你的数据转成 COCO 格式转换器脚本在 tools/dataset_converters/比如python tools/dataset_converters/mat2json.py能把.mat转成 json。第二步复制一个现成的 coco 配置改data_root指向你的数据集路径再把num_keypoints改成你实际的关节数其余基本不动。第三步一条命令开训python tools/train.py configs/your_config.py卡多就换分布式一条命令搞定不用改代码./tools/dist_train.sh configs/your_config.py 88 代表用 8 卡。踩坑清单这五个坑我替你踩过了mmcv 版本对不上→ 报AssertionError: MMCVxxx is used but incompatible→ MMPose 1.x 得配 mmcv 2.x按 FAQ 里的版本对应表重装。xtcocotools 装不上→ 报No matching distribution found→ 先pip install cython再装 xtcocotools顺序别反。No module named mmcv.ops→ 说明你装了纯 python 版 mmcv →pip uninstall mmcv后装带编译算子的那版。加载预训练权重报 Unexpected keys→ 以为是自己装错了 → 正常现象backbone 和 pose 网络结构本就不一样忽略即可。Address already in use→ 分布式训练起不来 → 换个端口MASTER_PORT29517再跑一遍。跟谁玩最开心生态与扩展MMDetection 负责框人MMPose 负责出关键点两者天然搭档。MMDeploy 管模型部署和 ONNX/TensorRT 导出。MMTracking 能把视频里的关键点串成稳定轨迹。扩展项目看这两个就够入门projects/rtmpose3d/ 做 3D 姿态估计projects/pose_anything/ 做通用姿态估计。先跑 demo 看效果别一上来就啃源码。官方文档docs/演示脚本demo/模型配置configs/核心源码mmpose/【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考