pytorch poseダウンロード-Pytorch pytorch poseソースコードのダウンロード

pytorch pose

パイソン

1.0.0

ダウンロード

Pytorch-Pose

スクリーンショット

Pytorch-Poseは、2Dシングルヒューマンポーズ推定のための一般的なパイプラインのPytorch実装です。目的は、トレーニング/推論/評価のインターフェイスと、最も人気のあるヒューマンポーズデータベース（MPIIヒューマンポーズ、LSP、FLICなど）のさまざまなデータ増強オプションを備えたデータローダーを提供することです。

データの準備と増強のためのいくつかのコードは、積み重ねられた砂時計ネットワークからもたらされます。元の著者に感謝します。

更新：このリポジトリは、Pytorch 0.4.1/1.0と互換性があります！

特徴

マルチスレッドデータの読み込み
マルチGPUトレーニング
ロガー
トレーニング/テスト結果の視覚化

インストール

Pytorch（> = 0.4.1）：Pytorchのインストール指示に従ってください。コードはPython2で開発されており、Python3ではまだテストされていないことに注意してください。

サブモジュールでリポジトリをクローンします

 git clone --recursive https://github.com/bearpaw/pytorch-pose.git

MPIIデータセットのimagesディレクトリへのシンボリックリンクを作成します。
```
 ln -s PATH_TO_MPII_IMAGES_DIR data/mpii/images
```
COCOでのトレーニング/テストについては、CoCo ReadMeを参照してください。

注釈ファイルをダウンロードしてください：
- （MPII）MPII_ANNOTATIONS.JSONをダウンロードして、 data/mpiiに保存します
- （mscoco）coco_annotations_2014.jsonまたは/and coco_annotations_2017.jsonをダウンロードし、それをdata/mscocoに保存します

使用法

詳細なトレーニングレシピについては、Training.mdを参照してください！

テスト

迅速なスタートを切るために、当社の前処理モデル（2スタックの砂時計モデルなど）をダウンロードできます。

ターミナルで次のコマンドを実行して、MPII検証分割のモデルを評価します（Train/Val SplitはTompson etal。CVPR2015からです）。

 CUDA_VISIBLE_DEVICES=0 python example/main.py --dataset mpii -a hg --stacks 2 --blocks 1 --checkpoint checkpoint/mpii/hg_s2_b1 --resume checkpoint/mpii/hg_s2_b1/model_best.pth.tar -e -d

-aネットワークアーキテクチャを指定します
--resume特定のモデルから重量をロードします
-e評価のみを表します
-dネットワーク出力を視覚化します。トレーニング中にも使用できます

結果は、 --checkpointで指定されたフォルダーに2958x16x2マトリックスである.matファイル（ preds_valid.mat ）として保存されます。

[email protected]スコアを評価します

MATLABで評価します

MATLABスクリプトevaluation/eval_PCKh.mを使用して、予測を評価できます。評価コードは、Tompsonらから移植されています。 CVPR 2015。

このコードを使用してトレーニングされた結果（[email protected]スコア）を次の表に報告します。

モデル	頭	ショルダー	肘	手首	ヒップ	膝	足首	平均
HG_S2_B1（最後）	95.80	94.57	88.12	83.31	86.24	80.88	77.44	86.76
HG_S2_B1（最高）	95.87	94.68	88.27	83.64	86.29	81.20	77.70	86.95
HG_S8_B1（最後）	96.79	95.19	90.08	85.32	87.48	84.26	80.73	88.64
HG_S8_B1（ベスト）	96.79	95.28	90.27	85.56	87.57	84.3	81.06	88.78

トレーニング /検証曲線は次のように視覚化されます。

Pythonで評価します

また、 python evaluation/eval_PCKh.pyを実行して予測を評価して、結果を評価することもできます。 Matlabの結果とまったく同じ結果が生成されます。貢献してくれた @sssruhan1に感謝します。

トレーニング

ターミナルで次のコマンドを実行して、MPIIヒューマンポーズデータセットで8スタックの砂時計ネットワークをトレーニングします。

 CUDA_VISIBLE_DEVICES=0 python example/main.py --dataset mpii -a hg --stacks 8 --blocks 1 --checkpoint checkpoint/mpii/hg8 -j 4

ここ、

CUDA_VISIBLE_DEVICES=0使用するGPUデバイスを識別します。たとえば、ID 0および1で2つのGPUを使用する場合はCUDA_VISIBLE_DEVICES=0,1を使用します。
-jデータの読み込みに使用する労働者の数を指定します。
--checkpointモデル、ログ、予測を保存する場所を指定します。