pytorch pose 다운로드 -Pytorch pytorch pose 소스 코드 다운로드

pytorch pose

파이썬

1.0.0

다운로드

Pytorch-pose

스크린 샷

Pytorch-Pose는 2D 단일 인간 포즈 추정을위한 일반 파이프 라인의 Pytorch 구현입니다. 목표는 교육/추론/평가의 인터페이스를 제공하는 것입니다. 가장 인기있는 인간 포즈 데이터베이스 (예 : MPII Human Pose, LSP 및 FLIC)에 대한 다양한 데이터 증강 옵션이있는 Dataloader를 제공하는 것입니다.

데이터 준비 및 증강에 대한 일부 코드는 스택 시어플러스 네트워크에서 가져옵니다. 원래 저자에게 감사합니다.

업데이트 :이 저장소는 Pytorch 0.4.1/1.0과 호환됩니다!

특징

멀티 스레드 데이터로드
멀티 GPU 교육
나무꾼
교육/테스트 결과 시각화

설치

Pytorch (> = 0.4.1) : Pytorch의 설치 지침을 따르십시오. 코드는 Python2로 개발되었으며 아직 Python3으로 테스트되지 않았습니다.

저장소를 서브 모듈로 복제하십시오

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

MPII 데이터 세트의 images 디렉토리에 대한 상징적 링크를 만듭니다.
```
 ln -s PATH_TO_MPII_IMAGES_DIR data/mpii/images
```
Coco에 대한 교육/테스트는 Coco Readme를 참조하십시오.

주석 파일 다운로드 :
- (mpii) mpii_annotations.json을 다운로드하여 data/mpii 에 저장하십시오
- (mscoco) 다운로드 coco_annotations_2014.json 또는/and coco_annotations_2017.json을 다운로드하고 data/mscoco 에 저장하십시오.

용법

자세한 교육 레시피는 Training.md를 참조하십시오!

테스트

빠른 시작을 위해 사전에 사전 된 모델 (예 : 2 스택 모래 시계 모델)을 다운로드 할 수 있습니다.

MPII 검증 분할의 모델을 평가하기 위해 터미널에서 다음 명령을 실행하십시오 (Train/Val 분할은 Tompson et al. CVPR 2015).

 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 네트워크 아키텍처를 지정합니다
--resume 특정 모델에서 무게를로드합니다
-e 평가만을 나타냅니다
-d 네트워크 출력을 시각화합니다. 훈련 중에도 사용할 수 있습니다

결과는 --checkpoint 로 지정된 폴더에서 .mat 파일 ( preds_valid.mat ) 2958x16x2 저장됩니다.

[email protected] 점수를 평가하십시오

Matlab으로 평가하십시오

MATLAB 스크립트 evaluation/eval_PCKh.m 사용하여 예측을 평가할 수 있습니다. 평가 코드는 Tompson et al. CVPR 2015.

이 코드를 사용하여 훈련 된 결과 ([email protected] 점수)는 다음 표에보고됩니다.

모델	머리	어깨	팔꿈치	손목	잘 알고 있기	무릎	발목	평균
HG_S2_B1 (마지막)	95.80	94.57	88.12	83.31	86.24	80.88	77.44	86.76
HG_S2_B1 (최고)	95.87	94.68	88.27	83.64	86.29	81.20	77.70	86.95
HG_S8_B1 (마지막)	96.79	95.19	90.08	85.32	87.48	84.26	80.73	88.64
HG_S8_B1 (최고)	96.79	95.28	90.27	85.56	87.57	84.3	81.06	88.78

교육 / 검증 곡선은 다음과 같이 시각화됩니다.

파이썬으로 평가하십시오

예측을 평가하기 위해 python evaluation/eval_PCKh.py 실행하여 결과를 평가할 수도 있습니다. Matlab의 결과와 정확히 동일한 결과를 생성합니다. 기여해 주신 @sssruhan1에 감사드립니다.

훈련

MPII Human Pose 데이터 세트에서 8 스택의 모래 시계 네트워크를 훈련하려면 터미널에서 다음 명령을 실행하십시오.

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

여기,

CUDA_VISIBLE_DEVICES=0 사용하려는 GPU 장치를 식별합니다. 예를 들어 ID 0 과 1 있는 두 개의 gpus를 사용하려면 CUDA_VISIBLE_DEVICES=0,1 사용하십시오.
-j 데이터로드에 사용하려는 작업자 수를 지정합니다.
--checkpoint 모델, 로그 및 예측을 저장할 위치를 지정합니다.