【MMPose】1.x版本安装与体验（测试YOLOX-Pose和RTMPose）

就在四月初，mmpose迎来了1.x正式版，OpenMMLab给出的具体亮点如下：

1. 基于模型训练引擎 MMEngine 的架构设计，使模型训练流程更直观，代码更简化，接口更统一；
2. 新增姿态编解码器模块，统合姿态前后处理过程；
3. 统一 top-down 和 bottom-up 方法的数据接口；
4. 新增 SimCC，Debias IPR 等多个轻量化姿态估计算法；
5. 全流程可视化工具，关键点、骨骼、热力图尽收眼底；
6. 更友好的用户文档，帮助新老用户顺利开启 MMPose 1.0 之旅。

除此之外，mmpose更新了yolox-pose和一个对于topdown方法来说过于超前的RTMPose（为什么说它超前，因为官方说它不仅有很高的精度，并且在1660ti上的推理速度能达到400+FPS，cpu上能达到100+FPS！详情见RTMPose论文）

 废话不多说，下面就进行一下MMPose1.x版本的安装体验。

1.配置安装MMPose

pytorch在年初更新了2.0版本，要求python 3.8和cuda11.7以上，正好手里有一台旧电脑需要重新配置一下。

本文安装环境：VS2022、python3.10、cuda11.8、pytorch2.0、win10

MMPose1.x版本的安装与之前大同小异，首先在GitHub上下载源码

git clone https://github.com/open-mmlab/mmpose.git

参考官方文档，依次执行以下命令：

pip install -U openmim
mim install mmengine
mim install "mmcv>=2.0.0"
mim install "mmdet>=3.0.0"

也可以使用pip+清华源的安装方法，只是使用pip会在本地编译后安装，会比使用mim的方法慢不少。特别注意，mmdet在官方文档虽然是可选安装项，但是如果不装的话运行RTMPose时会报错找不到backbone，所以这里mmdet是必须安装的。

切换到mmpose代码路径，执行以下命令：

pip install -r requirements.txt
pip install -v -e .

这样mmpose 1.x版本就安装完成了。

2.测试YOLOX-Pose

给出YOLOX-Pose的表格

Model	Input Size	AP	AP50	AP75	AR	AR50	Download
YOLOX-tiny-Pose	640	0.518	0.799	0.545	0.566	0.841	model | log
YOLOX-s-Pose	640	0.632	0.875	0.692	0.676	0.907	model | log
YOLOX-m-Pose	640	0.685	0.897	0.753	0.727	0.925	model | log
YOLOX-l-Pose	640	0.706	0.907	0.775	0.747	0.934	model | log

这里选择tiny-pose测试，点击右侧model下载。在运行之前要下载mmyolo：

mim install mmyolo

因为我是win10，所以需要在demo/inferencer_demo.py中写入环境变量：

import sys
sys.path.append('projects/yolox-pose')

如果是Linux系统，不需要更改py文件，在命令行中添加临时变量即可：

export PYTHONPATH=`pwd`:$PYTHONPATH

注意，pwd是填入当前路径，需要先将命令行切换路径到‘projects/yolox-pose’才能起作用。

要手动填写的话请填入yolox-pose的绝对路径。

然后就可以运行yolox-pose了，命令行输入：

python demo/inferencer_demo.py tests/data/coco/000000197388.jpg --pose2d projects/yolox-pose/configs/yolox-pose_tiny_4xb64-300e_coco.py --pose2d-weights pretrain/yolox-pose_tiny_4xb64-300e_coco-c47dd83b_20230321.pth --scope mmyolo --vis-out-dir vis_results

得到的检测结果如下：

3.测试RTMPose

Detection Config	Pose Config	Input Size (Det/Pose)	Model AP (COCO)	Pipeline AP (COCO)	Params (M) (Det/Pose)	Flops (G) (Det/Pose)	ORT-Latency(ms) (i7-11700)	TRT-FP16-Latency(ms) (GTX 1660Ti)	Download
RTMDet-nano	RTMPose-t	320x320 256x192	40.3 67.1	64.4	0.99 3.34	0.31 0.36	12.403	2.467	det pose
RTMDet-nano	RTMPose-s	320x320 256x192	40.3 71.1	68.5	0.99 5.47	0.31 0.68	16.658	2.730	det pose
RTMDet-nano	RTMPose-m	320x320 256x192	40.3 75.3	73.2	0.99 13.59	0.31 1.93	26.613	4.312	det pose
RTMDet-nano	RTMPose-l	320x320 256x192	40.3 76.3	74.2	0.99 27.66	0.31 4.16	36.311	4.644	det pose
RTMDet-m	RTMPose-m	640x640 256x192	62.5 75.3	75.7	24.66 13.59	38.95 1.93	-	6.923	det pose
RTMDet-m	RTMPose-l	640x640 256x192	62.5 76.3	76.6	24.66 27.66	38.95 4.16	-	7.204	det pose

同样，输入命令：

python demo/topdown_demo_with_mmdet.py projects\rtmpose\rtmdet\person\rtmdet_nano_320-8xb32_coco-person.py pretrain\rtmdet_nano_8xb32-100e_coco-obj365-person-05d8511e.pth configs\body_2d_keypoint\rtmpose\mpii\rtmpose-m_8xb64-210e_mpii-256x256.py pretrain\rtmpose-m_simcc-mpii_pt-aic-coco_210e-256x256-ec4dbec8_20230206.pth --input tests\data\mpii\005808361.jpg --output-root vis_results

这里我使用的是mpii训练好的模型文件，想要使用coco的话在上面表格右边点击下载即可。

得到的检测结果如下：

4.RTMPose推理及部署测试

由于时间原因，关于RTMPose的推理速度的测试和在mmdeploy上的部署留到下次有空再做。

觉得文章对你有帮助的话请点赞收藏，谢谢鼓励。