MMPose姿态估计快速上手完整指南【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmposeMMPose 给一张图片或一段视频就能输出每个关节的像素位置与置信度——2D 人体 17 点、全身 133 点、人脸、手部、动物姿态全覆盖。这篇指南带你用最短路径跑通第一次 MMPose 姿态估计顺带把新手最常踩的坑和一行解法讲清楚。 能力全景一张表看懂 MMPose 姿态估计能做什么能力维度支持情况代表性指标2D 人体姿态单人/多人RTMPose、HRNet、ViTPose、SimpleBaseline 等 30 算法自顶向下与自底向上两条路线RTMPose-M 在 COCO 上 AP 74.6256×192 输入可实时运行全身关键点身体手脸RTMW 系列 DWPose133 关键点RTMW-L 在 COCO-WholeBody 上 AP 72.32D 手 / 脸 / 动物姿态onehand10k、300W、AIC、AP-10K 等 30 数据集适配器开箱即用配置在 configs/ 按任务分目录3D 姿态 / 人体网格单图 lifting、视频 lifting、RTMPose3D覆盖 H3.6M、MPI-INF-3DHP 等主流 3D 数据集⚡ 5分钟跑通从克隆到第一份姿态估计结果整条最短路径只有四步克隆、装依赖、下模型、跑推理。git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e . pip install -U openmim mim download mmpose --config rtmpose-m_8xb256-420e_coco-256x192 --dest .mim download会帮你把配置文件和对应权重一起拉到当前目录省得自己找链接。然后直接跑仓库自带的最小子样本python demo/image_demo.py tests/data/coco/000000000785.jpg \ rtmpose-m_8xb256-420e_coco-256x192.py \ rtmpose-m_8xb256-420e_coco-256x192-d8dd5ca4_20230127.pth \ --out-file vis_results.jpg你会看到当前目录多了一张vis_results.jpg原图上的人被画出 17 个身体关键点和骨架连线这就是一个完整的 MMPose 姿态估计流程。没有 GPU 也没关系命令末尾加--device cpu即可只是慢一些。 它是怎么工作的三个核心模块速览数据流水线mmpose/datasets/输入是原始图片和关键点标注输出是裁剪好的人体子图、归一化坐标和热图/回归标签。数据增强随机翻转、旋转、缩放都在线完成30 数据集的格式差异也在这层抹平你换数据集只需要换一份数据配置。模型三段式mmpose/models/backbone 提特征、head 出关键点、codec 负责标签的生成与解码三者解耦。一份典型模型配置长这样model dict( backbonedict(typeCSPNeXt, deepen_factor0.33, widen_factor0.5), headdict( typeRTMOHead, num_kpts17, loss_heatmapdict(typeKeypointMSELoss)))推理与评估mmpose/apis/ 和 mmpose/evaluation/init_model加载配置和权重inference_topdown吃一张图返回关键点和得分评估指标AP、AR、PCK封装在 evaluator 里训练脚本跑完自动出分不需要你手写评测代码。你可以拿它做什么三个可复现的场景跳舞打分→ 想量化跟练视频跳得像不像老师手动对比不现实 → 用 projects/just_dance/ 的现成脚本基于 133 点全身姿态算动作相似度python process_video.py 老师.mp4 学生.mp4直接生成带打分的对比视频。全身关键点抽取→ 做虚拟人、AIGC 服装生成时需要脸手身体共 133 点 → 换一套配置即可python demo/image_demo.py 你的图.jpg configs/wholebody_2d_keypoint/rtmpose/... rtmw 权重 --out-file out.jpg这个场景我跑下来 RTMW-M 就够用不必上更大的 L 版。拥挤人群姿态→ 单人模型在互相遮挡场景会漏人 → 换 CrowdPose/AIC 的自底向上模型配置在 configs/body_2d_keypoint/topdown_heatmap/crowdpose/多人同时出结果。 常见坑 快速解法报No module named mmcv.ops或mmcv._ext→ PyTorch 的 CUDA 版本和 MMCV 不匹配pip list | grep torch看cu1xx重装对应版本 torch 后再重装 mmcv顺序不能反。报AssertionError: MMCVxxx is incompatible→ 版本对应关系是 mmpose 1.x ↔ mmcv 2.x ↔ mmdet 3.x用pip list | grep mm核对后统一升降级。装不上xtcocotools→ 先pip install cython再不行就从源码编译安装。训练显存不足 (OOM)→ 把输入尺寸从 256×192 降到 128×96或调小 batch size一行配置的事。分布式训练报Address already in use→ 加环境变量MASTER_PORT29501换个端口即可。 进阶 生态自定义数据集先用 tools/dataset_converters/ 转成 COCO 格式再python tools/train.py 你的配置.py开训。多 GPU 加速./tools/dist_train.sh configs/xxx.py 8。导出部署projects/rtmpose/examples/ 里有 ONNX Runtime、TensorRT 等端侧样例。同属 OpenMMLab 生态检测用 MMDetection、部署用 MMDeploy通用姿态扩展可看 projects/pose_anything/。资源速查演示脚本demo/ — 人体、手、脸、全身姿态的单图/视频推理入口模型配置库configs/ — 按任务分目录的配置与模型精度表核心源码mmpose/ — datasets、models、codecs、apis 模块化实现官方文档docs/ — 中英文安装、训练、评估指南与 FAQ数据集工具tools/dataset_converters/ — 各类标注批量转 COCO 格式跑通 demo 之后你只需要改一行配置就能把身体 17 点换成全身 133 点或手部关键点。挑一个你手头真实业务的场景把上面三条坑的解法记着现在就可以动手试了。【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：姿态估计快速上手完整指南
MMPose姿态估计快速上手完整指南【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmposeMMPose 给一张图片或一段视频就能输出每个关节的像素位置与置信度——2D 人体 17 点、全身 133 点、人脸、手部、动物姿态全覆盖。这篇指南带你用最短路径跑通第一次 MMPose 姿态估计顺带把新手最常踩的坑和一行解法讲清楚。 能力全景一张表看懂 MMPose 姿态估计能做什么能力维度支持情况代表性指标2D 人体姿态单人/多人RTMPose、HRNet、ViTPose、SimpleBaseline 等 30 算法自顶向下与自底向上两条路线RTMPose-M 在 COCO 上 AP 74.6256×192 输入可实时运行全身关键点身体手脸RTMW 系列 DWPose133 关键点RTMW-L 在 COCO-WholeBody 上 AP 72.32D 手 / 脸 / 动物姿态onehand10k、300W、AIC、AP-10K 等 30 数据集适配器开箱即用配置在 configs/ 按任务分目录3D 姿态 / 人体网格单图 lifting、视频 lifting、RTMPose3D覆盖 H3.6M、MPI-INF-3DHP 等主流 3D 数据集⚡ 5分钟跑通从克隆到第一份姿态估计结果整条最短路径只有四步克隆、装依赖、下模型、跑推理。git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e . pip install -U openmim mim download mmpose --config rtmpose-m_8xb256-420e_coco-256x192 --dest .mim download会帮你把配置文件和对应权重一起拉到当前目录省得自己找链接。然后直接跑仓库自带的最小子样本python demo/image_demo.py tests/data/coco/000000000785.jpg \ rtmpose-m_8xb256-420e_coco-256x192.py \ rtmpose-m_8xb256-420e_coco-256x192-d8dd5ca4_20230127.pth \ --out-file vis_results.jpg你会看到当前目录多了一张vis_results.jpg原图上的人被画出 17 个身体关键点和骨架连线这就是一个完整的 MMPose 姿态估计流程。没有 GPU 也没关系命令末尾加--device cpu即可只是慢一些。 它是怎么工作的三个核心模块速览数据流水线mmpose/datasets/输入是原始图片和关键点标注输出是裁剪好的人体子图、归一化坐标和热图/回归标签。数据增强随机翻转、旋转、缩放都在线完成30 数据集的格式差异也在这层抹平你换数据集只需要换一份数据配置。模型三段式mmpose/models/backbone 提特征、head 出关键点、codec 负责标签的生成与解码三者解耦。一份典型模型配置长这样model dict( backbonedict(typeCSPNeXt, deepen_factor0.33, widen_factor0.5), headdict( typeRTMOHead, num_kpts17, loss_heatmapdict(typeKeypointMSELoss)))推理与评估mmpose/apis/ 和 mmpose/evaluation/init_model加载配置和权重inference_topdown吃一张图返回关键点和得分评估指标AP、AR、PCK封装在 evaluator 里训练脚本跑完自动出分不需要你手写评测代码。你可以拿它做什么三个可复现的场景跳舞打分→ 想量化跟练视频跳得像不像老师手动对比不现实 → 用 projects/just_dance/ 的现成脚本基于 133 点全身姿态算动作相似度python process_video.py 老师.mp4 学生.mp4直接生成带打分的对比视频。全身关键点抽取→ 做虚拟人、AIGC 服装生成时需要脸手身体共 133 点 → 换一套配置即可python demo/image_demo.py 你的图.jpg configs/wholebody_2d_keypoint/rtmpose/... rtmw 权重 --out-file out.jpg这个场景我跑下来 RTMW-M 就够用不必上更大的 L 版。拥挤人群姿态→ 单人模型在互相遮挡场景会漏人 → 换 CrowdPose/AIC 的自底向上模型配置在 configs/body_2d_keypoint/topdown_heatmap/crowdpose/多人同时出结果。 常见坑 快速解法报No module named mmcv.ops或mmcv._ext→ PyTorch 的 CUDA 版本和 MMCV 不匹配pip list | grep torch看cu1xx重装对应版本 torch 后再重装 mmcv顺序不能反。报AssertionError: MMCVxxx is incompatible→ 版本对应关系是 mmpose 1.x ↔ mmcv 2.x ↔ mmdet 3.x用pip list | grep mm核对后统一升降级。装不上xtcocotools→ 先pip install cython再不行就从源码编译安装。训练显存不足 (OOM)→ 把输入尺寸从 256×192 降到 128×96或调小 batch size一行配置的事。分布式训练报Address already in use→ 加环境变量MASTER_PORT29501换个端口即可。 进阶 生态自定义数据集先用 tools/dataset_converters/ 转成 COCO 格式再python tools/train.py 你的配置.py开训。多 GPU 加速./tools/dist_train.sh configs/xxx.py 8。导出部署projects/rtmpose/examples/ 里有 ONNX Runtime、TensorRT 等端侧样例。同属 OpenMMLab 生态检测用 MMDetection、部署用 MMDeploy通用姿态扩展可看 projects/pose_anything/。资源速查演示脚本demo/ — 人体、手、脸、全身姿态的单图/视频推理入口模型配置库configs/ — 按任务分目录的配置与模型精度表核心源码mmpose/ — datasets、models、codecs、apis 模块化实现官方文档docs/ — 中英文安装、训练、评估指南与 FAQ数据集工具tools/dataset_converters/ — 各类标注批量转 COCO 格式跑通 demo 之后你只需要改一行配置就能把身体 17 点换成全身 133 点或手部关键点。挑一个你手头真实业务的场景把上面三条坑的解法记着现在就可以动手试了。【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
