MMPose预训练模型预测-命令行

下载老师用ipy代码

https://codeload.github.com/TommyZihao/MMPose_Tutorials/zip/refs/heads/main

解压得到下述文件

激活你自己的mmpose环境进入mmpose代码下，环境创建参考

基于win10系统使用Conda对于OpenMMLab组件的安装_skyeKing_trueKing的博客-CSDN博客

将文件夹里的B1,B2拷贝至MMPose下

 启动 anaconda prompt，激活mmpose对应的环境，进入本地的mmpose代码目录，输入jupyter notebook

通用参数说明

input 输入的单张图片或者视频

output-root 输出的结果存放的路径

device 使用的是gpu还是cpu，

bbox-thr 目标检测框的置信度阈值

kpt-thr 关键点检测的置信度阈值

nms-ths 俩个框的重合度超过这个阈值，就会判断是俩个框是重合的，保留最高的框

radius 可视化关键点的半径

thickness 可视化框的边框宽度

draw-bbox 是否画框

draw-heatmp 是否画热力图

show-kpt-idx 是否标定关键点的序号

预测单张图像

HRNet

# HRNet
!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_keypoint/topdown_heatmap/coco/td-hm_hrnet-w32_8xb64-210e_coco-256x192.py \
        https://download.openmmlab.com/mmpose/top_down/hrnet/hrnet_w32_coco_256x192-c78dce93_20200708.pth \
        --input data/test/multi-person.jpeg \
        --output-root outputs/B1_HRNet_1 \
        --device cuda:0 \
        --bbox-thr 0.5 \
        --kpt-thr 0.2 \
        --nms-thr 0.3 \
        --radius 8 \
        --thickness 4 \
        --draw-bbox \
        --draw-heatmap \
        --show-kpt-idx

先画框框选出人体，然后在进行自上而下的预测。所以使用了俩个模型，一个是目标检测模型，一个是关键点检测模型

demo/mmdetection_cfg/faster_rcnn_r50_fpn_coco.py	目标检测配置文件
faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth	目标检测模型（checkpoints权重文件）
td-hm_hrnet-w32_8xb64-210e_coco-256x192.py	关键点检测配置文件
hrnet_w32_coco_256x192-c78dce93_20200708.pth	关键点检测模型（checkpoints权重文件）

结果

RTMPose

# RTMPose
!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 \
        projects/rtmpose/rtmpose/body_2d_keypoint/rtmpose-s_8xb256-420e_coco-256x192.py \
        https://download.openmmlab.com/mmpose/v1/projects/rtmpose/rtmpose-s_simcc-aic-coco_pt-aic-coco_420e-256x192-fcb2599b_20230126.pth \
        --input data/test/multi-person.jpeg \
        --output-root outputs/B1_RTM_1 \
        --device cuda:0 \
        --bbox-thr 0.5 \
        --kpt-thr 0.5 \
        --nms-thr 0.3 \
        --radius 8 \
        --thickness 4 \
        --draw-bbox \
        --draw-heatmap \
        --show-kpt-idx

结果

预测视频

修改input后面的参数为视频路径

B1_HRNet_2

B1_RTM_2