PaddleHub人体骨骼关键点检测(2.0环境)

PaddleHub人体骨骼关键点检测

human_pose_estimation_resnet50_mpii

人体骨骼关键点检测(Pose Estimation) 是计算机视觉的基础性算法之一，在诸多计算机视觉任务起到了基础性的作用，如行为识别、人物跟踪、步态识别等相关领域。具体应用主要集中在智能视频监控，病人监护系统，人机交互，虚拟现实，人体动画，智能家居，智能安防，运动员辅助训练等等。 该模型的论文《Simple Baselines for Human Pose Estimation and Tracking》由 MSRA 发表于 ECCV18，使用 MPII 数据集训练完成。

NOTE： 如果您在本地运行该项目示例，需要首先安装PaddleHub。如果您在线运行，需要首先fork该项目示例。之后按照该示例操作即可。

human_pose_estimation_resnet50_mpii模型链接：https://www.paddlepaddle.org.cn/hubdetail?name=human_pose_estimation_resnet50_mpii&en_category=KeyPointDetection

环境：PaddlePaddle2.0.0rc PaddleHub2.0.0b1 human_pose_estimation_resnet50_mpii 1.1.1(最新版)

一、安装新版Hub

!pip install paddlehub==2.0.0b1 -i https://pypi.tuna.tsinghua.edu.cn/simple

二、定义待预测照片

以本示例中文件夹下girl.jpg为待预测图片

image = "girl.jpg"

三、API预测

def keypoint_detection(self,
                       images=None,
                       paths=None,
                       batch_size=1,
                       use_gpu=False,
                       output_dir='output_pose',
                       visualization=False)

预测API，识别出人体骨骼关键点。

参数

• images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]；
• paths (list[str]): 图片的路径；
• batch_size (int): batch 的大小；
• use_gpu (bool): 是否使用 GPU；
• visualization (bool): 是否将识别结果保存为图片文件；
• output_dir (str): 图片的保存路径，默认设为 output_pose。

返回

• res (listdict): 识别元素的列表，列表元素为 dict，关键字为 ‘path’, ‘data’，相应的取值为：
  • path (str): 原图的路径；
  • data (OrderedDict): 人体骨骼关键点的坐标。

import cv2
import paddlehub as hub

pose_estimation = hub.Module(name="human_pose_estimation_resnet50_mpii")

result = pose_estimation.keypoint_detection(images=[cv2.imread(image)],visualization=True)
print(result)
# or
# result = pose_estimation.keypoint_detection(paths=['/PATH/TO/IMAGE'])

四、命令行预测

!hub run human_pose_estimation_resnet50_mpii --input_path "girl.jpg"

五、实现效果

点我进入项目