PoseFix_RELEASE

PoseFix项目介绍

项目概述

PoseFix是一种通用的人体姿态优化网络，旨在不依赖于模型地从单一RGB图像中改进人体姿态估计结果。通过PoseFix，无论基础姿态估计方法如何，都可以对输出进行优化，只需从一个".json"文件中读取即可，使得任何方法的姿态结果变得更好。官方提供了基于TensorFlow的实现版本，适用于公共的2D多人姿态估计数据集，包括MPII、PoseTrack 2018和MS COCO 2017。

项目的特点

• 模型无关性：可以优化来自任何姿态估计方法的结果。
• 简便的代码：灵活且易于理解的代码结构。
• 兼容性：支持多个常用姿态估计数据集，并提供可视化的代码。
• 数据可视化：提供从Detectron修改而来的人体姿态估计可视化代码。

所需依赖

为了运行PoseFix，用户需要以下依赖：

• TensorFlow
• CUDA和cuDNN
• Anaconda以及COCO API

该代码在Ubuntu 16.04、CUDA 9.0和cuDNN 7.1环境下，使用两个NVIDIA 1080Ti GPU进行了测试。开发环境中使用了Python 3.6.5和Anaconda 3。

目录结构

项目根目录${POSE_ROOT}的组织结构如下：

• data：包含数据加载代码和图像及标注的软链接。
• lib：核心代码，用于2D多人姿态估计。
• main：用于训练或测试网络的高级代码。
• tool：数据集转换工具。
• output：保存日志、训练模型、可视化输出和测试结果。

数据和输出文件夹有特定的需要遵循的结构，以确保项目的正常运行。

使用PoseFix

用户需要安装必要的模块并构建NMS模块，然后在main/config.py中，根据需要调整模型的设置，包括数据集、网络骨干和输入大小等。

训练

开始训练前，应准备好input_pose/test_on_trainset/result.json文件，这是在训练集上的测试结果，包含与地面实况框（groundtruth bbox）结合的位置估计。

在main文件夹中，用户可以通过命令运行训练：

python train.py --gpu 0-1

其中--gpu 0,1表示指定使用的GPU。可以使用--continue参数继续之前的实验。

测试

测试时需要将其他方法的姿态估计结果命名为input_pose/name_of_input_pose.json，并放置在适当的位置。

执行以下命令可以进行测试：

python test.py --gpu 0-1 --test_epoch 140

这将使用第140次迭代训练的模型在指定GPU上进行测试。

项目成果

PoseFix在一些数据集上取得了优异的成果。用户可以下载预训练模型，并使用COCOAPI或poseval工具对输出进行评估。

MSCOCO 2017数据集检验结果

在MSCOCO 2017数据集上，PoseFix与HRNet结合后，性能有显著提升。

PoseTrack 2018数据集结果

类似地，在PoseTrack 2018数据集上，应用了PoseFix的结果同样优异。

常见问题

项目使用过程中可能遇到一些问题，文档中提供了可能的解决方案，帮助用户排忧解难。

致谢

项目代码在一定程度上修改自TensorFlow repo of CPN和PyTorch repo of Simple。

通过阅读以上信息，相信用户对PoseFix项目已经有了一个详细的了解，可以更好地实施和应用此工具来进行姿态估计优化。