Hugging Face's logo

Spaces:
H-Liu1997
/
TANGO
Running on L40S

App Files Community
19
TANGO / SMPLer-X /main /transformer_utils /mmpose_README_CN.md
H-Liu1997's picture
H-Liu1997
init
31f2f28
preview code
|
raw
history blame
21.6 kB
 
OpenMMLab 官网 HOT      OpenMMLab 开放平台 TRY IT OUT
 

Documentation actions codecov PyPI LICENSE Average time to resolve an issue Percentage of issues still open

📘文档 | 🛠️安装 | 👀模型库 | 📜论文库 | 🆕更新日志 | 🤔报告问题

English | 简体中文

简介

MMPose 是一款基于 PyTorch 的姿态分析的开源工具箱，是 OpenMMLab 项目的成员之一。

主分支代码目前支持 PyTorch 1.5 以上的版本。

https://user-images.githubusercontent.com/15977946/124654387-0fd3c500-ded1-11eb-84f6-24eeddbf4d91.mp4

主要特性

  • 支持多种人体姿态分析相关任务

    MMPose 支持当前学界广泛关注的主流姿态分析任务：主要包括 2D多人姿态估计、2D手部姿态估计、2D人脸关键点检测、133关键点的全身人体姿态估计、3D人体形状恢复、服饰关键点检测、动物关键点检测等。 具体请参考 功能演示。

  • 更高的精度和更快的速度

    MMPose 复现了多种学界最先进的人体姿态分析模型，包括“自顶向下”和“自底向上”两大类算法。MMPose 相比于其他主流的代码库，具有更高的模型精度和训练速度。 具体请参考 基准测试（英文）。

  • 支持多样的数据集

    MMPose 支持了很多主流数据集的准备和构建，如 COCO、 MPII 等。 具体请参考 数据集准备。

  • 模块化设计

    MMPose 将统一的人体姿态分析框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的人体姿态分析模型。

  • 详尽的单元测试和文档

    MMPose 提供了详尽的说明文档，API 接口说明，全面的单元测试，以供社区参考。

最新进展

  • 2022-07-06: MMPose v0.28.0 已经发布. 主要更新包括:
  • 2022-04: MMPose 代码可以通过 Gitee 访问
  • 2022-02-28: MMDeploy v0.3.0 支持 MMPose 模型部署
  • 2021-12-29: OpenMMLab 开放平台已经正式上线! 欢迎试用基于 MMPose 的姿态估计 Demo

安装

MMPose 依赖 PyTorch 和 MMCV，以下是安装的简要步骤。 更详细的安装指南请参考 install.md。

conda create -n open-mmlab python=3.8 pytorch=1.10 cudatoolkit=11.3 torchvision -c pytorch -y
conda activate open-mmlab
pip3 install openmim
mim install mmcv-full
git clone https://github.com/open-mmlab/mmpose.git
cd mmpose
pip3 install -e .

教程

请参考 get_started.md 了解 MMPose 的基本使用。 MMPose 也提供了其他更详细的教程:

模型库

各个模型的结果和设置都可以在对应的 config（配置）目录下的 README.md 中查看。 整体的概况也可也在 模型库 页面中查看。

支持的算法
支持的技术
支持的数据集
支持的骨干网络

模型需求

我们将跟进学界的最新进展，并支持更多算法和框架。如果您对 MMPose 有任何功能需求，请随时在 MMPose Roadmap 中留言。

基准测试

训练精度和速度

MMPose 在主流关键点检测基准 COCO 上达到了优越的模型精度和训练速度。

详细信息可见 基准测试(英文)。

推理速度

我们总结了 MMPose 中主要模型的复杂度信息和推理速度，包括模型的计算复杂度、参数数量，以及以不同的批处理大小在 CPU 和 GPU 上的推理速度。

详细信息可见 模型推理速度。

数据准备

请参考 data_preparation.md（英文） 进行数据集准备。

常见问题

请参考 FAQ 了解其他用户的常见问题。

参与贡献

我们非常欢迎用户对于 MMPose 做出的任何贡献，可以参考 CONTRIBUTION.md 文件了解更多细节。

致谢

MMPose 是一款由不同学校和公司共同贡献的开源项目。我们感谢所有为项目提供算法复现和新功能支持的贡献者，以及提供宝贵反馈的用户。 我们希望该工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现现有算法并开发自己的新模型，从而不断为开源社区提供贡献。

引用

如果您觉得 MMPose 对您的研究有所帮助，请考虑引用它：

@misc{mmpose2020,
    title={OpenMMLab Pose Estimation Toolbox and Benchmark},
    author={MMPose Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmpose}},
    year={2020}
}

许可证

该项目采用 Apache 2.0 license 开源协议。

OpenMMLab的其他项目

  • MMCV: OpenMMLab 计算机视觉基础库
  • MIM: MIM 是 OpenMMlab 项目、算法、模型的统一入口
  • MMClassification: OpenMMLab 图像分类工具箱
  • MMDetection: OpenMMLab 目标检测工具箱
  • MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
  • MMRotate: OpenMMLab 旋转框检测工具箱与测试基准
  • MMSegmentation: OpenMMLab 语义分割工具箱
  • MMOCR: OpenMMLab 全流程文字检测识别理解工具包
  • MMPose: OpenMMLab 姿态估计工具箱
  • MMHuman3D: OpenMMLab 人体参数化模型工具箱与测试基准
  • MMSelfSup: OpenMMLab 自监督学习工具箱与测试基准
  • MMRazor: OpenMMLab 模型压缩工具箱与测试基准
  • MMFewShot: OpenMMLab 少样本学习工具箱与测试基准
  • MMAction2: OpenMMLab 新一代视频理解工具箱
  • MMTracking: OpenMMLab 一体化视频目标感知平台
  • MMFlow: OpenMMLab 光流估计工具箱与测试基准
  • MMEditing: OpenMMLab 图像视频编辑工具箱
  • MMGeneration: OpenMMLab 图片视频生成模型工具箱
  • MMDeploy: OpenMMLab 模型部署框架

欢迎加入 OpenMMLab 社区

扫描下方的二维码可关注 OpenMMLab 团队的 知乎官方账号，联络 OpenMMLab 官方微信小助手或加入 OpenMMLab 团队的 官方交流 QQ 群

我们会在 OpenMMLab 社区为大家

  • 📢 分享 AI 框架的前沿核心技术
  • 💻 解读 PyTorch 常用模块源码
  • 📰 发布 OpenMMLab 的相关新闻
  • 🚀 介绍 OpenMMLab 开发的前沿算法
  • 🏃 获取更高效的问题答疑和意见反馈
  • 🔥 提供与各行各业开发者充分交流的平台

干货满满 📘，等你来撩 💗，OpenMMLab 社区期待您的加入 👬