pytorch pose
1.0.0
Pytorch置端是用於2D單人姿勢估計的一般管道的Pytorch實現。目的是提供培訓/推理/評估的界面，並提供有關最受歡迎的人類姿勢數據庫（例如MPII人類姿勢，LSP和FLIC）的各種數據增強選項的數據加載器。
一些用於數據準備和增強的代碼來自堆疊的沙漏網絡。感謝原始作者。
更新：此存儲庫現在與Pytorch 0.4.1/1.0兼容！
Pytorch（> = 0.4.1）：請遵循Pytorch的安裝指令。請注意，該代碼是使用Python2開發的，尚未使用Python3進行測試。
用subsodule克隆存儲庫
git clone --recursive https://github.com/bearpaw/pytorch-pose.git
創建指向MPII數據集的images目錄的符號鏈接：
ln -s PATH_TO_MPII_IMAGES_DIR data/mpii/images
有關可可的培訓/測試，請參閱可可讀數。
data/mpiidata/mscoco 請參閱triagn.md以獲取詳細的培訓食譜！
您可以快速啟動下載我們預算上的型號（例如，2堆棧沙漏型號）。
在終端中運行以下命令，以評估MPII驗證拆分的模型（Train/Val拆分來自Tompson等人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指定網絡體系結構--resume將加載特定模型的重量-e僅代表評估-d將可視化網絡輸出。它也可以在訓練期間使用結果將作為.mat文件（ preds_valid.mat ）保存，該文件是2958x16x2矩陣，將其保存在--checkpoint指定的文件夾中。
您可以使用MATLAB腳本evaluation/eval_PCKh.m來評估您的預測。評估代碼從Tompson等人移植。 CVPR 2015。
下表報告了使用此代碼訓練的結果（[email protected]分數）。
| 模型 | 頭 | 肩膀 | 彎頭 | 手腕 | 時髦的 | 膝蓋 | 踝 | 意思是 |
|---|---|---|---|---|---|---|---|---|
| HG_S2_B1（最後） | 95.80 | 94.57 | 88.12 | 83.31 | 86.24 | 80.88 | 77.44 | 86.76 |
| HG_S2_B1（最佳） | 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（最佳） | 96.79 | 95.28 | 90.27 | 85.56 | 87.57 | 84.3 | 81.06 | 88.78 |
訓練 /驗證曲線可視化如下。
您還可以通過運行python evaluation/eval_PCKh.py來評估結果來評估預測。它將產生與MATLAB的結果完全相同的結果。感謝 @sssruhan1的貢獻。
在終端運行以下命令，以在MPII人類姿勢數據集上訓練8個堆棧的沙漏網絡。
CUDA_VISIBLE_DEVICES=0 python example/main.py --dataset mpii -a hg --stacks 8 --blocks 1 --checkpoint checkpoint/mpii/hg8 -j 4
這裡，
CUDA_VISIBLE_DEVICES=0標識您要使用的GPU設備。例如，如果要使用具有ID 0和1兩個GPU，請使用CUDA_VISIBLE_DEVICES=0,1 。-j指定您要用於數據加載的工人。--checkpoint指定要保存模型，日誌和預測到的位置。 支持的數據集
支持的模型
如果您想貢獻，請創建拉動請求。
