Snakewood的博客

直接将数据集标注转为 mmpose 支持的数据集格式（例如 MS COCO）。在 mmpose 中使用对应的数据集类（例如 TopdownCOCODataset）训练。

pytorch和pytorch3d版本对应关系如下：https://github.com/facebookresearch/pytorch3d/releasescuda和NVIDIA CUB版本对应关系如下：https://github.com/NVIDIA/cub/releases?page=1本人配置如下：GPU：1050TiCUDA：11.1python：3.8。

进入网址：https://visualstudio.microsoft.com/zh-hans/visual-cpp-build-tools/，下载vs_BuildTools，下载完成后点击。MMPose 中的一些推理示例脚本需要使用 MMDetection (mmdet) 检测人体，所以这里也先安装下。（这里下载的模型权重文件，文件名可能会有一点点不同），执行完上面的命令后，在当前目录下就可以找到两个文件。进行安装，安装完成后重新执行上述命令，安装成功。要执行推理可以直接复制下面的命令。

MS COCOObject Detection（[主要处理人、车、大象等]）DensePose（姿态密度检测）Keypoints（关键点检测）Stuff（[主要处理草、墙、天等]）Panoptic（场景分割）Captions（字幕标注）

labelme GitHub项目地址：https://github.com/wkentaro/labelme。

网上没找到有关 关键点检测-COCO格式转为YOLO格式的相关代码，就自己参考其他人基于目标检测的进行了改写，话不多说，直接上代码。

如果有公网IP，则外网可以访问，如果是局域网IP，则只能在局域网内访问，想要在外网访问还需要进行IP地址映射。下载的比较慢，可以换成国内的镜像（虽然是这么说，但我换了国内的镜像也没快多少），因为我下载的是Windows桌面版的docker，所以在界面中点击。这里还有个小问题，从图中可以看到右边的人的面部和右耳并没有露出来，对于看图片的人来说是不可见的，这里以鼻子为例，点击这个小齿轮按钮。填写好数据集名称，以及数据集中的分类，创建新的数据集。，会弹出如下页面，选择要导出的类别，单击。

nvidia-smi 参数详解参数详情GPU本机中的GPU编号，有多块显卡的时候从0开始，图中的GPU编号为0Fan风扇转速，N/A表示没有风扇NameGPU类型，图中GPU为NVIDIA GeForce GTX 1050TiTempGPU温度PerfGPU性能状态，从P0(最大性能)到P12(最小性能)，图中为P0TCC/WDDMNvidia显卡的两种驱动模式，TCC 模式下，GPU完全用于计算，并不需要本地显示功能；而 WDDM 模式下，

进入GitHub下载yolov5源码选择分支v5.0，并下载源码anaconda激活相应环境进入项目存放的地址。

所有MS COCO的标注数据第一层都至少包含以下四个对象，不同检测任务的。保存每张图片的信息，如图片文件名、宽、高等信息。MS COCO使用JSON存储标注数据。（JSON第一层即包含五个对象）不同且部分检测任务还包含一个。为例，查看它的json内容。第一层结构如下，包含。保存数据集的许可协议。