lightweight-human-pose-estimation.pytorch

项目介绍：Lightweight Human Pose Estimation

什么是轻量级人类姿态估计？

轻量级人类姿态估计项目提供了一种在CPU上进行实时多人体姿态估计的方法。该项目基于OpenPose方法，对其进行深度优化，使其在运行速度方面达到实时要求的同时，仅在准确率上有微小的损失。该模型通过识别图像中每个人的关键点和它们之间的连接（即人体骨架），来估计人体的姿态。总共可以检测出18个关键点，包括：耳朵、眼睛、鼻子、脖子、肩膀、肘部、手腕、臀部、膝盖和脚踝。

在COCO 2017关键点检测验证集上，该项目代码在单尺度推理下（无翻转或任何后处理）可以达到40%的AP（平均精度），这一结果可通过项目中提供的代码重复实现。

项目的亮点

该项目不仅保持了高效的姿态估计能力，还开创了更轻量级的3D姿态估计方法，并在CVPR'19的Look-Into-Person挑战中排名第十。

安装要求

要运行此项目，用户需要：

• 操作系统：Ubuntu 16.04
• 编程语言：Python 3.6
• 框架：PyTorch 0.4.1（理论上可以支持1.0，但尚未测试）

先决条件

1. 下载COCO 2017数据集，并解压到指定文件夹。
2. 安装项目依赖：运行命令 pip install -r requirements.txt。

模型训练流程

模型训练分为三个步骤，每一步的训练都会提升AP值：

1. 使用MobileNet预训练权重进行初始训练。
2. 在此基础上进行二次训练。
3. 在已获得的权重基础上，增加网络中的细化阶段至3个，再次进行训练。

验证模型

要验证模型的有效性，使用命令 python val.py 进行模型验证。

预训练模型

该模型期待输入格式为经过归一化处理的图像，并提供了40% AP的预训练模型供下载使用。

演示

项目提供了C++和Python两种演示方式：

• C++ 演示：推荐用于最佳性能体验。
• Python 演示：用于快速预览结果。

引用

如果该项目对您的研究有所帮助，请引用相关论文。

该项目是人类姿态估计领域的一个重要成果，通过轻量级的设计实现了在普通硬件上的高效运行，为后续研究提供了宝贵的范例。