17个关键点不够用MMPose全身姿态估计一次定位133个关键点【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmposeMMPoseOpenMMLab 的姿态估计工具箱的 133 关键点全身姿态估计把人体姿态从四肢骨架升级到手指、面部、足部全覆盖本文带你用最短路径跑通它适合刚接触姿态估计的开发者。为什么 17 个关节点不够用先说个具体场景你在做一个健身动作评分 App判断用户做瑜伽时手指有没有伸直。如果模型只输出 COCO 的 17 个关节点指尖、足跟全都不在检测范围里评分逻辑根本写不出来。133 关键点全身姿态估计就是为这类需求准备的。这 133 个点按部位分组部位点数主要用途身体17主干关节动作评分面部68表情、视线方向双手42手势与指尖精度足部10重心与步态MMPose 把这套点位约定落成了一批可直接运行的配置集中在 configs/wholebody_2d_keypoint/ 目录下按算法RTMPose、HRNet 等和数据集COCO-WholeBody 等分好类挑一个配置加对应权重就能用。其中主打实时性的 RTMPose 系列官方报告 RTMPose-l 在 COCO-WholeBody 验证集上达到 67.0% AP速度约 130 FPS。一张图进来发生了什么对新手来说MMPose 的处理链路就是三步流水找位置人体检测器先在原图上框出每个人这一步通常交给 MMDetection 完成MMPose 仓库自带现成的检测器配置做姿态对每个框裁剪出人像局部图送进姿态模型输出 133 个点的坐标和置信度贴回原图把结果映射回原图坐标系画成你熟悉的骨架图。可以类比成流水线检测器负责在哪姿态模型负责什么姿势可视化把两者拼起来。你在命令行里跑一次这三步会自动串完。最快的一条命令仓库里的 demo 开箱即用。假设你已经 clone 了仓库跑这一条命令# 对测试图片做全身姿态推理自动下载预训练权重 python demo/inferencer_demo.py tests/data/coco/000000000785.jpg \ --pose2d wholebody --vis-out-dir vis_results/其中wholebody是预训练模型的别名不用手动找配置文件和权重路径。结果保存在vis_results/目录里。想在代码里集成用 Python 接口# 初始化推理器wholebody 别名会自动加载预训练权重 inferencer MMPoseInferencer(pose2dwholebody) results inferencer(image.jpg) # 返回每人133个点的坐标与置信度更完整的参数说明可以看 demo/docs/zh_cn/2d_wholebody_pose_demo.md。精度、速度和规模怎么权衡选型时先看官方在 COCO-WholeBody 验证集上的报告数据模型输入分辨率Whole AP官方报告速度RTMPose-m256x1920.58275.8% AP on COCOCPU 90 FPSRTMPose-l256x1920.611130 FPSGPURTMPose-l384x2880.648高于 256x192 版本规律很直白输入分辨率从 256x192 升到 384x288精度提升约 3.7 个点代价是计算量增大。133 个点里手指占 42 个手指点在小图上很难分开所以要指尖精度就上大分辨率要速度就压小基本就是全部取舍。这些能力用在哪健身动作评分指尖 42 点让手指有没有伸直这类规则可以被量化而不是靠猜。虚拟角色驱动身体 17 点驱动骨骼绑定面部 68 点做表情迁移一套数据两类用途。仓库里的 projects/just_dance/ 就演示了用全身关键点计算舞蹈动作相似度并打分。实时互动直播、体感游戏对延迟敏感选 RTMPose 系列官方报告 130 FPS单卡即可支撑多路画面。和 OpenMMLab 其他工具的分工MMPose 在 OpenMMLab 生态里只负责姿态这一环上游接 MMDetection 出人体框仓库的demo/mmdetection_cfg/下就有现成检测器配置下游接 MMDeploy 做 ONNX、TensorRT 量化部署多人视频场景还可以接 MMTracking 做逐帧关联。你不需要自己搭胶水层demo 脚本里检测器和姿态模型的衔接方式已经写好了。边界与下一步一句话说明适用边界这是 2D 方案输出的是图像平面坐标不是 3D 骨骼重度遮挡、极小人脸等场景精度会下降。建议先跑一遍上面的 demo在自己数据上看效果再选型数据集准备、训练和部署的细节都在docs/目录遇到具体问题时直接提 issue。【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
