【安装教程】MMPose安装与使用（测试HRNet与Lite-HRNet）

MMPose的官方文档对于怎么安装其实写得非常清楚，所以本篇文章其实相当于一个过程记录。

1.安装环境

python 3.7.6

pytorch 1.13

cuda 11.6

windows 11

2.安装mmcv

首先安装openmim

pip install -U openmim

安装完成后再使用openmim安装mmcv

mim install mmcv-full

3.安装mmpose

官方给出了两种安装模式：

• 从源码安装（推荐）：如果基于 MMPose 框架开发自己的任务，需要添加新的功能，比如新的模型或是数据集，或者使用我们提供的各种工具。

• 作为 Python 包安装：只是希望调用 MMPose 的接口，或者在自己的项目中导入 MMPose 中的模块。

1）从源码安装需要我们从github上下载源代码：

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

2）作为 Python 包安装

直接使用pip指令即可

pip install mmpose

4.使用HRNet和Lite-HRNet验证安装

因为听说Lite-HRNet虽然浮点运算很低，但是实际运行起来并没有比HRNet快多少，所以这里运行了一下两个网络，并比较了一下推理时间。

首先需要下载两个模型的权重，下面给出两个网络的信息，这里分别下载HRNetW32_256x192（108M）的权重和LiteHRNet-18_256x192（4.82M）的权重

Arch	Input Size	AP	AP50	AP75	AR	AR50	ckpt	log
pose_hrnet_w32	256x192	0.746	0.904	0.819	0.799	0.942	ckpt	log
pose_hrnet_w32	384x288	0.760	0.906	0.829	0.810	0.943	ckpt	log
pose_hrnet_w48	256x192	0.756	0.907	0.825	0.806	0.942	ckpt	log
pose_hrnet_w48	384x288	0.767	0.910	0.831	0.816	0.946	ckpt	log

Arch	Input Size	AP	AP50	AP75	AR	AR50	ckpt	log
LiteHRNet-18	256x192	0.643	0.868	0.720	0.706	0.912	ckpt	log
LiteHRNet-18	384x288	0.677	0.878	0.746	0.735	0.920	ckpt	log
LiteHRNet-30	256x192	0.675	0.881	0.754	0.736	0.924	ckpt	log
LiteHRNet-30	384x288	0.700	0.884	0.776	0.758	0.928	ckpt	log

这里选择了一个42秒共1266帧的视频做测试，在RTX 2080S上，两个模型的表现如下(上为lite-hrnet)：

 

load checkpoint from local path: hrnet_w32_coco_256x192-c78dce93_20200708.pth
Running inference...
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> ] 1265/1266, 5.7 task/s, elapsed: 221s, ETA:     0s

load checkpoint from local path: litehrnet18_coco_256x192-6bace359_20211230.pth
Running inference...
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> ] 1265/1266, 5.2 task/s, elapsed: 242s, ETA:     0s

可以发现lite-hrnet的推理速度（242s）确实不如hrnet(221s)，考虑到lite-hrnet可能在cpu上表现会更好，下面在cpu上进行了测试（i5-12400）。为了节约时间，这里将上一个视频剪短到了3s，共89帧。模型表现如下：

load checkpoint from local path: hrnet_w32_coco_256x192-c78dce93_20200708.pth
Running inference...
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>] 89/89, 0.3 task/s, elapsed: 330s, ETA:     0s

load checkpoint from local path: litehrnet18_coco_256x192-6bace359_20211230.pth
Running inference...
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>] 89/89, 0.3 task/s, elapsed: 259s, ETA:     0s

可以看到lite-hrnet确实要比hrnet推理速度要快。但是也并没有像论文里浮点运算的差距，这很难不让人对论文的产生怀疑。

---

2023.3.14 更新一下实验

上面的实验结果让我百思不得其解，想了很久。直到有一天我突然想到，hrnet和litehrnet都是top-down的方法，上面实验在推理时使用了mmdet的fasterRCNN，并且视频的处理不是批量处理，故不能真实反映网络的推理性能。所以我又在MPII数据集上进行了验证，使用的GPU是1050ti。在MPII的验证集上，指定batchsize为64，HRNetW32的处理速度为20.3 task/s，而Lite-HRNet18处理速度为39.7 task/s.

这个实验证明，lite确实要比HRNet要快，当然两个网络的精度还是有区别的。