HW140701的博客

好了，在本小节中会详细介绍如何使用OnnxRuntime在CPU端进行RTMDetnano+RTMPose模型的部署，在本教程中会实现基于RTMDetnano+RTMPose的一个Top-Down的2D姿态估计示例，由RTMDetnano检测人，然后根据检测框裁剪相应的图片区域喂给RTMPose进行姿态估计，进行了一个简单的跳帧检测的实时2D姿态估计的C++类，好了，就让我们愉快的开始吧。RTMPose的亮点主打的就是工业级别的推理速度和精度，这在他的论文摘要也是着重突出，可以仔细看他的论文摘要，

1 Mediapipe HolisticTrackingMediapipe Holistic Tracking可对身体，面部和手部的共543个关键点进行实时跟踪检测，其中包含面部468个关节点，身体33个关键点，以及每只手分别21个关键点。所有关键点的存储顺序以及标注对照索引图可参考我的另一篇文章：https://www.stubbornhuang.com/1916/1.1 封装Mediapipe Holistic Tracking的目的之前尝试对Mediapipe的手部跟踪功能HandTrack

1 将Mediapipe handtracking封装成动态链接库dll/so的意义Mediapipe提供了在cpu低延时下的高性能以及丰富功能，比如人脸识别，手部跟踪与识别，全身关节跟踪与识别，如果我们能在我们的应用中加入这些功能岂不是很酷！在python环境下，我们可以通过直接安装Mediapipe包来使用Mediapipe功能，但是我们的桌面应用如果想使用Mediapipe是不是还要集成python环境下的Mediapipe，然后通过本机通讯调用呢？有没有简单的低耦合的方法？如果我们将Media

文章目录1 Windows10编译Mediapipe C++版本2 编译步骤2.1 MSYS2环境配置2.1.1 下载安装2.1.2 配置系统环境变量2.1.3 升级msys2包数据库2.1.4 升级msys2基础数据库2.1.5 下载安装必要的包：unzip2.2 Python环境配置2.3 安装VS2019和WinSDK2.4 配置Bazel2.4.1 Bazel下载2.4.2 Bazel系统环境配置2.5 设置Bazel变量2.6 下载opencv2.7 Mediapipe仓库克隆以及bazel的编译

1 Alphapose中使用yolov3-tiny检测器的应用场景Alphapose的官方仓库中默认使用的是yolov3-spp，根据官网公布的数据，其mAP为60.6，FPS能到20FPS。但是如果我们面临的是一个不复杂的场景，场景中人数较少，而我们有需要其性能够好，实时性能达到应用的要求或者更好，那我们为什么不适用yolov3-tiny检测器，由于简化了网络结构，根据官网的公布的数据，其FPS能达到220FPS，而mAP也有33.1，对于普通场景这种精度完全够用。2 在Alphapose中使用yo

1 Alphaposegithub地址：https://github.com/MVIG-SJTU/AlphaPoseAlphapose最初发布采用的是pytorch 0.4.0版本，不过现在使用的都是Pytorch 1.1+版本。目前Pytorch 1.1+版本不像之前pytorch 0.4.0版本的安装只需要使用：pip install -r requirements.txt安装即可，目前这里面有很多坑，下面来一步一步的进行说明。截止写博客的时间，当前的版本为0.4.0。2 环境配置2

官方申请太尼玛难过了，需要实验室官网以及其他乱七八糟的条款，我太难了。找了半天，终于找到了一个，可以进入我的个人网站进行下载：www.stubbornhuang.com/511/...