coco showanns不显示_三种COCO 关键点 dataloader的实现方式

对于一个研究或者比赛，最费时间的部分往往是整个系统的搭建，而其中如何生成训练数据，又是最为重要的一环。

对于keypoints detection task, 现有的各种复现，对于训练数据的生成有以下三类，如有遗漏，欢迎补充。

---

根据可用关键点数，一张图生成多个样本

首先判断json文件中，总可用关键点数是否大于0，可以靠累加num_keypoints实现。经过测试：

coco train2014 before: 80K after: 39K
coco train2017 before: 110K after: 56K

之后对于每一张图，图中的每一个人进行几何变换，调整到图像中央，并生成对应的mask，产生一个样本。注意这里的每一个人一般要满足：

大小 > 32*32
中心点不与已经有的人离得太近
可用关键点labels >= 5
不是coco官方标记的“iscrowd”

最终，对于coco ，从可用图片中生成了120K左右的最终训练图片。

---

根据可用关键点数，一张图生成一个样本

首先判断json文件中，总可用关键点数是否大于0，可以靠累加num_keypoints实现。经过测试：

coco train2014 before: 80K after: 39K
coco train2017 before: 110K after: 56K

之后对于每一张图，将：

大小 < 32*32
中心点与已经有的人离得太近
可用关键点labels < 5
是coco官方标记的“iscrowd”

这些人mask掉，产生一张训练样本。最终对于 coco train2014, 生成39K左右训练图片。

---

根据是否属于person类，一张图生成一个样本

首先调用coco 官方api，筛选属于“person”类的图片。经过测试（直接官网查也可）：

coco train2017 before: 110K after: 64K

之后对于每一张图，将：

大小 < 32*32
中心点与已经有的人离得太近
可用关键点labels < 5
是coco官方标记的“iscrowd”

这些图片去掉，产生一张训练样本。最终对于 coco val2017, 生成57K左右训练图片。

---

总结

1. openpose 官方，和两种repo中mAP比较和原paper接近的复现，都是使用第一种数据生成方式。
2. 只改变数据生成方式，其余部分不变会不会影响mAP, 正在测试。