MMPose学习笔记

已于 2023-11-18 10:58:34 修改
阅读量309 收藏
点赞数
文章标签： 学习 笔记 目标检测 python
于 2023-11-18 10:57:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lyhxty/article/details/134475598
版权

MMPose学习笔记

学习链接：mmpose教程-CSDN博客

视频学习：同济子豪兄的个人空间-同济子豪兄个人主页-哔哩哔哩视频 (bilibili.com)

官方教程：概述 — MMPose 1.2.0 文档

实时查看gpu使用率

pip install gpustat
watch --color -n1 gpustat -cpu

文章目录

安装教程

  1. 创建环境

    conda create --n yxy python=3.8 
conda activate yxy

  2. 安装必要依赖

    conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.11.0/index.html
pip install -U openmim -i https://pypi.douban.com/simple
mim install mmengine

  3. 安装mmpose

    git clone https://github.com/open-mmlab/mmpose.git
cd mmpose
pip install -r requirements.txt
pip install -v -e .
# "-v" 表示输出更多安装相关的信息
# "-e" 表示以可编辑形式安装，这样可以在不重新安装的情况下，让本地修改直接生效

  4. 验证安装

    mim download mmpose --config td-hm_hrnet-w48_8xb32-210e_coco-256x192  --dest .

    python mmpose/demo/image_demo.py \
    mmpose/tests/data/coco/000000000785.jpg \
    td-hm_hrnet-w48_8xb32-210e_coco-256x192.py \
    td-hm_hrnet-w48_8xb32-210e_coco-256x192-0e67c616_20220913.pth \
    --out-file vis_results.jpg \
    --draw-heatmap

  5. 安装mmdet

    git clone https://github.com/open-mmlab/mmdetection.git -b 3.x
cd mmdetection
pip install -v -e .

快速开始

1.使用命令测试数据

# 单 GPU 测试
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--fuse-conv-bn] \
    [--eval ${EVAL_METRICS}] [--gpu_collect] [--tmpdir ${TMPDIR}] [--cfg-options ${CFG_OPTIONS}] \
    [--launcher ${JOB_LAUNCHER}] [--local_rank ${LOCAL_RANK}]
 
# 多 GPU 测试
./tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}] \
    [--gpu-collect] [--tmpdir ${TMPDIR}] [--options ${OPTIONS}] [--average-clips ${AVG_TYPE}] \
    [--launcher ${JOB_LAUNCHER}] [--local_rank ${LOCAL_RANK}]

例如：

  • 在coco测试resnet50，验证mAP

    tools/dist_test.sh configs/body/2d_kpt_sview_rgb_img/topdown_heatmap/coco/res50_coco_256x192.py  checkpoints/SOME_CHECKPOINT.pth 1 --eval mAP

  • 4 块 GPU 在 COCO 数据集下测试 ResNet。在线下载模型权重，并验证 mAP 指标

    tools/dist_test.sh configs/body/2d_kpt_sview_rgb_img/topdown_heatmap/coco/res50_coco_256x192.py  https://download.openmmlab.com/mmpose/top_down/resnet/res50_coco_256x192-ec54d7f3_20200709.pth 4 --eval mAP

  • 提供了丰富的脚本，方便大家快速运行演示。 下面是 多人人体姿态估计 的演示示例，此处我们使用了人工标注的人体框作为输入

    python demo/top_down_img_demo.py \		
       configs/body/2D_Kpt_SV_RGB_Img/topdown_hm/coco/hrnet_w48_coco_256x192.py \  
       https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth \
       --img-root tests/data/coco/ \
       --json-file tests/data/coco/test_coco.json\
       --out-img-root vis_results

  • 若使用mmdet检测结果作为输入，我们提供了mmdet检测人的代码

    python demo/top_down_img_demo_with_mmdet.py \
    ${MMDET_CONFIG_FILE} ${MMDET_CHECKPOINT_FILE} \
    ${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \
    --img-root ${IMG_ROOT} --img ${IMG_FILE} \
    --out-img-root ${OUTPUT_DIR} \
    [--show --device ${GPU_ID}] \
    [--bbox-thr ${BBOX_SCORE_THR} --kpt-thr ${KPT_SCORE_THR}]

    如

    python demo/topdown_demo_with_mmdet.py mmdetection/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \
    mmdetection/checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
    configs/top_down/hrnet/coco/hrnet_w48_coco_256x192.py \
    hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth \
    --img-root tests/data/coco/ \
    --img 000000196141.jpg \
    --out-img-root vis_results\
    --show

  • 若没有安装mmdet话，只能测试他们提供的图片
    下面我们以coco数据集为例，测试玩一下这个库，他们提供了已经标注好的json

    python demo/top_down_img_demo.py \
	   configs/body/2d_kpt_sview_rgb_img/topdown_heatmap/coco/hrnet_w48_coco_256x192.py\
       https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth\
       --img-root tests/data/coco/\
       --json-file tests/data/coco/test_coco.json\
       --out-img-root vis_results

  • 如果你安装了mmdet话，任意一张图片都可以预测
    直接使用以下代码，mmdet可以自己检测到人，不需要在手动标注了

    1. 预测图片

      python demo/topdown_demo_with_mmdet.py \
       demo/mmdetection_cfg/faster_rcnn_r50_fpn_coco.py \      https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
       configs/body/2d_kpt_sview_rgb_img/topdown_heatmap/coco/hrnet_w48_coco_256x192.py  \
       https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth\
       --input tests/data/111/000000000785.jpg \
       --output-root vis_results  \
       --draw-heatmap

    2. 预测视频

      python demo/top_down_video_demo_with_mmdet.py  \
       demo/mmdetection_cfg/faster_rcnn_r50_fpn_coco.py\
           https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
       configs/body/2d_kpt_sview_rgb_img/topdown_heatmap/coco/hrnet_w48_coco_256x192.py \
       https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth\
       --video-path demo/resources/1.mp4 \
       --out-video-root vis_results

2.Project

2D 动物图片姿态识别推理
python demo/topdown_demo_with_mmdet.py \
    ${MMDET_CONFIG_FILE} ${MMDET_CHECKPOINT_FILE} \
    ${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \
    --input ${INPUT_PATH} --det-cat-id ${DET_CAT_ID} \
    [--show] [--output-root ${OUTPUT_DIR}] [--save-predictions] \
    [--draw-heatmap ${DRAW_HEATMAP}] [--radius ${KPT_RADIUS}] \
    [--kpt-thr ${KPT_SCORE_THR}] [--bbox-thr ${BBOX_SCORE_THR}] \
    [--device ${GPU_ID or CPU}]

python demo/topdown_demo_with_mmdet.py \
    demo/mmdetection_cfg/rtmdet_m_8xb32-300e_coco.py \
    https://download.openmmlab.com/mmdetection/v3.0/rtmdet/rtmdet_m_8xb32-300e_coco/rtmdet_m_8xb32-300e_coco_20220719_112220-229f527c.pth \
    configs/animal_2d_keypoint/topdown_heatmap/animalpose/td-hm_hrnet-w32_8xb64-210e_animalpose-256x256.py \
    https://download.openmmlab.com/mmpose/animal/hrnet/hrnet_w32_animalpose_256x256-1aa7f075_20210426.pth \
    --input tests/data/animalpose/ca110.jpeg \
    --show --draw-heatmap --det-cat-id=15

如果使用了 heatmap-based 模型同时设置了 --draw-heatmap ，预测的热图也会跟随关键点一同可视化出来。

--det-cat-id=15 参数用来指定模型只检测 cat 类型，这是基于 COCO 数据集的数据。

2D 动物视频姿态识别推理
python demo/topdown_demo_with_mmdet.py \
    demo/mmdetection_cfg/rtmdet_m_8xb32-300e_coco.py \
    https://download.openmmlab.com/mmdetection/v3.0/rtmdet/rtmdet_m_8xb32-300e_coco/rtmdet_m_8xb32-300e_coco_20220719_112220-229f527c.pth \
    configs/animal_2d_keypoint/topdown_heatmap/animalpose/td-hm_hrnet-w32_8xb64-210e_animalpose-256x256.py \
    https://download.openmmlab.com/mmpose/animal/hrnet/hrnet_w32_animalpose_256x256-1aa7f075_20210426.pth \
    --input demo/resources/demo_dog.mp4 \
    --output-root vis_results \
    --draw-heatmap \
    --det-cat-id=16

使用 Inferencer 进行 2D 动物姿态识别推理

Inferencer 提供一个更便捷的推理接口，使得用户可以绕过模型的配置文件和 checkpoint 路径直接使用 model aliases ，支持包括图片路径、视频路径、图片文件夹路径和 webcams 在内的多种输入方式，例如可以这样使用：

python demo/inferencer_demo.py  \
       tests/data/ap10k \
       --pose2d animal\
       --vis-out-dir vis_results/ap10k
2D 人体姿态 Top-Down 图片检测
使用整张图片作为输入进行检测

（此时输入的整张图片会被当作 bounding box 使用）

python demo/image_demo.py \
    ${IMG_FILE} ${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \
    --out-file ${OUTPUT_FILE} \
    [--device ${GPU_ID or CPU}] \
    [--draw_heatmap]

如：

python demo/image_demo.py \
       tests/data/coco/000000000785.jpg \
       configs/body_2d_keypoint/topdown_heatmap/coco/td-hm_hrnet-w48_8xb32-210e_coco-256x192.py \
       https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth \
       --out-file vis_results.jpg \
       --draw-heatmap

使用 CPU 推理：

python demo/image_demo.py \
       tests/data/coco/000000000785.jpg \
       configs/body_2d_keypoint/topdown_heatmap/coco/td-hm_hrnet-w48_8xb32-210e_coco-256x192.py \
       https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth \
       --out-file vis_results.jpg \
       --draw-heatmap \
       --device=cpu
使用 MMDet 做人体 bounding box 检测
python demo/topdown_demo_with_mmdet.py \
    ${MMDET_CONFIG_FILE} ${MMDET_CHECKPOINT_FILE} \
    ${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \
    --input ${INPUT_PATH} \
    [--output-root ${OUTPUT_DIR}] [--save-predictions] \
    [--show] [--draw-heatmap] [--device ${GPU_ID or CPU}] \
    [--bbox-thr ${BBOX_SCORE_THR}] [--kpt-thr ${KPT_SCORE_THR}]

python demo/topdown_demo_with_mmdet.py \
       demo/mmdetection_cfg/rtmdet_m_640-8xb32_coco-person.py \
       https://download.openmmlab.com/mmpose/v1/projects/rtmpose/rtmdet_m_8xb32-100e_coco-obj365-person-235e8209.pth \
       configs/body_2d_keypoint/rtmpose/body8/rtmpose-m_8xb256-420e_body8-256x192.py \
       https://download.openmmlab.com/mmpose/v1/projects/rtmposev1/rtmpose-m_simcc-body7_pt-body7_420e-256x192-e48f03d0_20230504.pth \
       --input tests/data/111/000000197388.jpg \
       --draw-heatmap \
       --output-root vis_results/1.jpg

python demo/inferencer_demo.py \
       tests/data/111 \
       --pose2d human\
       --vis-out-dir vis_results/111
2D 人体全身姿态 Top-Down 图片识别
使用整张图片作为输入进行检测

此时输入的整张图片会被当作 bounding box 使用。

python demo/image_demo.py \
    ${IMG_FILE} ${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \
    --out-file ${OUTPUT_FILE} \
    [--device ${GPU_ID or CPU}] \
    [--draw_heatmap]

python demo/image_demo.py \
    tests/data/coco/000000000785.jpg \
    configs/wholebody_2d_keypoint/topdown_heatmap/coco-wholebody/td-hm_vipnas-res50_dark-8xb64-210e_coco-wholebody-256x192.py \
    https://download.openmmlab.com/mmpose/top_down/vipnas/vipnas_res50_wholebody_256x192_dark-67c0ce35_20211112.pth \
    --out-file vis_results_1.jpg\
    --draw-heatmap
使用 MMDet 进行人体 bounding box 检测
python demo/topdown_demo_with_mmdet.py \
    ${MMDET_CONFIG_FILE} ${MMDET_CHECKPOINT_FILE} \
    ${MMPOSE_CONFIG_FILE} ${MMPOSE_CHECKPOINT_FILE} \
    --input ${INPUT_PATH} \
    [--output-root ${OUTPUT_DIR}] [--save-predictions] \
    [--show] [--draw-heatmap] [--device ${GPU_ID or CPU}] \
    [--bbox-thr ${BBOX_SCORE_THR}] [--kpt-thr ${KPT_SCORE_THR}]

python demo/topdown_demo_with_mmdet.py \
       demo/mmdetection_cfg/rtmdet_m_640-8xb32_coco-person.py \
       https://download.openmmlab.com/mmpose/v1/projects/rtmpose/rtmdet_m_8xb32-100e_coco-obj365-person-235e8209.pth \
       configs/wholebody_2d_keypoint/topdown_heatmap/coco-wholebody/td-hm_hrnet-w48_dark-8xb32-210e_coco-wholebody-384x288.py \
       https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w48_coco_wholebody_384x288_dark-f5726563_20200918.pth \
       --input tests/data/coco/000000196141.jpg \
       --output-root vis_results/
       --show

训练自己的模型

步骤：

  1. 文件夹规整 data/annotations data/images

  2. 配置文件 configs//body_2d_keypoint/rtmpose/mpii configs/base/datasets/mpii

  3. 模型训练

    先使用mmdet进行检测训练，再使用mmpose进行姿态估计训练

    # 1.训练mmdet
CUDA_VISIBLE_DEVICE=0,1 PORT=29501 mmdetection/tools/dist_train.sh {configs} 2
# 2.训练mmpose
CUDA_VISIBLE_DEVICE=0,1 PORT=29501 mmpose/tools/dist_train.sh {configs} 2

    不使用mmdet，推理时直接使用预训练模型

    CUDA_VISIBLE_DEVICE=0,1 PORT=29501 mmpose/tools/dist_train.sh {configs} 2

  4. 模型精简 (模型本身不变，只是删除不必要的数据，节省空间)

    python tools/misc/publish_model.py  \   
       work_dirs/rtmpose-m_8xb64-210e_mpii-256x256/best_PCK_epoch_210.pth \
       checkpoint/rtmpose-m_mpii_epoch_210.pth

  5. 模型推理 （可以用自己训练的det模型，也可用pose自带的det模型）

    python demo/topdown_demo_with_mmdet.py \
       demo/mmdetection_cfg/rtmdet_m_640-8xb32_coco-person.py \
       https://download.openmmlab.com/mmpose/v1/projects/rtmpose/rtmdet_m_8xb32-100e_coco-obj365-person-235e8209.pth \
       configs/body_2d_keypoint/rtmpose/mpii/rtmpose-m_8xb64-210e_mpii-256x256.py \
       work_dirs/rtmpose-m_8xb64-210e_mpii-256x256/best_PCK_epoch_210.pth \
       --input tests/data/mpii/004645041.jpg  \
       --draw-heatmap \
       --output-root vis_results/
小于不是小鱼呀
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenMMLab AI笔记9——MMPose代码实战课
m0_62777538的博客
06-05 182
因为时间有点赶，所以后面三角板的关键点预测demo我没有跑，直接开始跑作业的耳朵穴位数据集了，因为有前面的铺垫，所以跑穴位数据集相对没遇到什么困难（暂时），上传要训练的数据集，下载相应的config配置文件，或者直接用demo的Faster R CNN和RTMDet-Tiny也行hhhh，但是要改config里面的数据集路径以及类别，完了就可以在终端跑起来了，默默看着work_dirs等待结果……跑分固然重要，但配环境炼丹的过程也很奇妙，希望大家也能享受这个“折磨”的过程，有所进步收获吧~
手把手教你快速上手人体姿态估计（MMPose）
热门推荐
一个菜鸟的奋斗
11-22 1万+
最近在研究如何快速实现图像中人体姿态的估计，也就是常见的pose estimation任务。花了些时间，实际对比了AlphaPose、BlazePose和MMPose。BlazePose主要为移动端设计，AlphaPose安装配置比较麻烦，MMPose用起来更为方便，而且支持的模型数量也很多。因此，最终选定MMPose作为人体姿态估计的算法库。以下实测环境为Ubuntu20.04系统。 MMPose源码： https://github.com/open-mmlab/mmpose MMPose官方文档：
MMPose姿态估计——3.DEMO实战
m0_55303420的博客
04-21 1179
用户现在可以选择使用推理器（Inferencer）或 Demo 脚本从摄像头读取的视频中进行姿势估计。我们的脚本同样支持视频作为输入，由 MMDet 完成人体检测后 MMPose 完成 Top-Down 的姿态预估，视频推理时。我们的脚本同样支持视频作为输入，由 MMDet 完成人体检测后 MMPose 完成 Top-Down 的姿态预估。Inferencer 支持保存姿态的检测结果，具体的使用可参考。Inferencer 支持保存姿态的检测结果，具体的使用可参考。
HRNet论文笔记
xiaolouhan的博客
05-12 1万+
HRNet：Deep High-Resolution Representation Learning for Human Pose Estimation[github]（CVPR2019）这是一篇state-of-the-art级别的论文； 本文为精读翻译稿，其中也会有些知识点讲解和笔记跳转。
关键点检测（二）
qq_71939010的博客
07-30 391
② In【3】中 'supercategory' 换成标注时框的名字、'id' 换成框的个数、'name' 也换成标注时框的名字、'keypoints' 换成标注时点的名称、'skeleton' 可以进行修改，可以规定哪两个关键点之间可以进行连线。（官方的版本会实时更新，这里是一位大佬申请的版本固定的版本，使用官方版本应该也可以）（官方的版本会实时更新，这里是一位大佬申请的版本固定的版本，使用官方版本应该也可以）（1）In【2】：里面的路径换成图片和标注所在的路径（文件夹的名字即可）
姿态估计——Deep High-Resolution Representation Learning for Human Pose Estimation阅读记录
乐亦亦乐的博客
11-08 1216
论文地址：https://arxiv.org/pdf/1902.09212.pdf github：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch Deep High-Resolution Representation Learning for Human Pose Estimation Abstract 在本文中，我们对人体姿态估计问题...
MMPose 是一个基于 PyTorch 的姿势估计的开源工具箱-python
06-18
MMPose 是一个基于 PyTorch 的姿势估计的开源工具箱 简介 MMPose 是一个基于 PyTorch 的姿态估计开源工具箱。 它是 OpenMMLab 项目的一部分。 master 分支与 PyTorch 1.3+ 一起使用。 Benchmark 和 Model Zoo ...
mmpose和openpose的onnx导出
05-18
在这一领域，有两个著名的开源库——MMPose和OpenPose，它们都提供了强大的功能来实现这一目标。本文将深入探讨这两个库，并着重讨论如何将它们的模型导出为ONNX（Open Neural Network Exchange）格式，以便于跨平台...
jupter文件mmpose
09-05
jupter文件mmpose
mmpose 预测转json标注
01-25
mmpose 预测的2d点转成json文件，方便labelme标注 背景：mmpose或者其他2d关键点，bad case标注是个难题，这个脚本可以把mmpose预测的关键点，转为json文件，方便进行二次标注或修改。
基于深度学习实时检测人体3D姿态，并基于此预测未来人体动作
05-10
采用mmpose框架与多进程技术实现后端快速预测，利用混合现实Hololens2头戴显示器显示人物动作，做到实时抓取，实时预测，实时显示。 深度学习（Deep Learning，简称DL）是机器学习（Machine Learning，简称ML）领域...
OpenMMLab学习笔记三（MMPose代码教程）
weixin_44732298的博客
06-03 176
我推测这可能是由于我在win10系统下搭建的环境，如果在Linux系统下估计就不会报错了。不过由于网络限制，如果在学校集群上创建环境实在是太慢了，先简单练练手吧。之后争取拿到奖学金后自己买一台带4090的笔记本，直接搞一个Ubuntu系统，哈哈哈加油吧！今天是个美好的周末，开心地打开第三节课的视频，进入了真正的代码实操阶段。由于有一丢丢安装生物信息软件的经验，所以在环境配置方面终于不是一个小白的身份了，不过过程也不错一帆风顺。
Python每日学习
q2903160397的博客
07-21 1971
我是从c++转来学习Python的，总感觉和c++相比Python的实操简单，但是由于写c++的代码多了，感觉Python的语法好奇怪。由于今天是我正式学Python的第一天，干货不多，以后让我们一步一步来见证Python这个优雅的代码的学习之路吧！），这种格式对于我来说已成习惯了，而这一切Python这个优雅的语言通通没有，学习Python这将是道阻且长。今天就简单了解了一下Python的起源和成长并学习了打印 halloworld，算是开始学习了吧。）而且它每一项的代码结束之后要有一个表示结束的封号（
爬虫学习4：爬取王者荣耀技能信息
mohanyelong的博客
07-22 2248
爬取王者荣耀技能信息（代码和代码流程）。
《计算机网络》（学习笔记）
qiqi_liuliu的博客
07-24 2349
网络（Network）由若干结点(Node)和连接这些结点的链路(Link)组成多个网络还可以通过路由器互连起来，这样就构成了一个覆盖范围更大的网络，即互联网（互连网）。因此，互联网是"网络的网络（Network of Networks）"因特网（Internet）是世界上最大的互连网络（用TCP/IP）internet是通用名词，互连的网络都叫internet注：互连、自治、集合。在计算机内部或在相邻设备之间近距离传输时，可不经过调制就在信道上直接进行的传输方式称为基带传输。
快醒醒，别睡了!...讲《数据分析pandas库》了—/—＜4＞
最新发布
qq_64603703的博客
07-27 1050
详细解说数据分析pandas库中的常用方法
全网最详细Gradio教程系列5——Gradio Client: python
shao918516的博客
07-26 1145
程序部署完成后，如何将Gradio App作为API访问使用呢，这就用到Gradio Client。本章讲解Gradio Client的三种使用方式：python、javascript和curl，受字数限制，所以分三篇博客发布。 使用Gradio Python Client非常易于将Gradio应用程序作为API使用，本节讲述gradio_client安装、如何连接Gradio应用程序、查看可用API及其使用方式、job及session等用法。 通过Gradio Python Cli
mmpose rknn
09-06
mmpose rknn是将mmpose关键点识别模型转换为rknn模型的过程。在给定的引用中，通过使用rknn-toolkit工具包中的onnx2rknn.py脚本，将mmpose模型从ONNX格式转换为rknn格式。在转换过程中，通过打印输出可以得到一些信息，例如输出张量的形状和类型。而在引用中，是关于转换和部署过程中的目录结构的说明，包括输入的图片和相关的文件。同时，引用提供了一些相关链接和博客文章，其中介绍了使用自训练方法和转模型将mmpose关键点识别模型转换为ncnn和mnn，并进行训练和部署的步骤。总体来说，mmpose rknn是指将mmpose模型转换为rknn模型的过程，用于在瑞芯微的rknn平台上进行部署和推理。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [41、将mmpose中hrnet关键点检测模型部署RK3399PRO上，进行模型加速处理](https://blog.csdn.net/sxj731533730/article/details/127051078)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值