MMPose 全身姿态估计实战133 关键点 3 步跑通推理【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose把一段 3 秒的滑雪视频喂给 MMPose 的全身姿态估计模型几秒后你能同时拿到 68 个面部点、42 个手指点、17 个身体关节和 10 个足部点共 133 个关键点——而不是常见的 17 个躯干骨骼点。这套能力来自 MMPose 的 WholeBody 模块用一套网络覆盖全脸、双手与足部是实时视频流和多目标场景下做全身姿态推理的常用方案。133 点覆盖范围各模型精度与速度3 步跑通推理落地场景选型常见避坑建议核心能力速览先看能直接落地的指标。下表取自仓库内的 COCO-WholeBody 验证集成绩与官方实测速度模型输入尺寸Whole AP参考实测RTMPose-m256×1920.58290 FPS (CPU) / 430 FPS (GPU)RTMPose-l256×1920.611130 FPSRTMPose-l384×2880.648—RTMW-x384×2880.702—RTMPose-m 在单核 i7-11700 上可跑到 90 FPS在 GTX 1660 Ti 上达 430 FPS满足视频流实时要求追求精度则选 384×288 输入或 RTMW-x。下面这张多人街景图就是该模块一次推理同时定位两名全身的姿态结果。原理拆解从一张图进、关键点出的数据流看整条链路分三段职责检测器负责框人输入整张图由 MMDet 侧检测器输出人体 bbox把多人画面切成单人 patch这是多目标场景的入口。姿态网络负责画点每个 bbox 缩放到 256×192 等固定输入RTMPose 用 SIMCC 把坐标拆成两个分布回归一次输出 133 点面、手、足共用同一骨干特征。可视化层负责上色visualizer按skeleton_style连线、用kpt_thr过滤低置信点输出带骨骼的图或 JSON 结果。动手跑通安装克隆仓库并装依赖pip install -v -e .以可编辑模式安装。git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e .推理用 Inferencer 一条命令对tests/data/crowdpose下所有图做全身姿态推理首次运行会自动拉取模型。python demo/inferencer_demo.py tests/data/crowdpose \ --pose2d wholebody \ --vis-out-dir vis_results/crowdpose训练换成自定义数据集时只需替换配置里数据路径一行启动。python tools/train.py configs/wholebody_2d_keypoint/rtmpose/coco-wholebody/rtmpose-l_8xb64-270e_coco-wholebody-256x192.py落地场景虚拟主播与数字人驱动谁用直播与虚拟形象团队。解决用 68 个面部点加 42 个手部点驱动 3D 角色的口型与手势。RTMW-l 在 Cocktail14 上面部 AP 0.834、手部 AP 0.598可离线批量复现口型对齐数据。滑雪与健身动作分解谁用运动教学与教练工具。解决用 10 个足部点定位支撑脚与重心偏移。RTMW-l 足部 AP 0.763可量化落地角度偏差做动作纠错。电商试穿与服装贴合谁用电商与虚拟试衣系统。解决用躯干与关节点做虚拟衣服的形变贴合。RTMPose-l 身体 AP 0.695关节点足够支撑布料锚点绑定。进阶与延伸 精度优先选 384×288 输入Whole AP 0.648速度优先用 256×192。⚠️ 多人遮挡下手部 AP 明显下降可先提高--bbox-thr过滤误检框。 无 GPU 时 Inferencer 加--device cpu可跑通仅实时性下降。延伸资源文档总览docs/zh_cn/overview.md全身姿态 Demodemo/inferencer_demo.py数据集与标注格式docs/zh_cn/dataset_zoo/2d_wholebody_keypoint.mdRTMPose 模型库configs/wholebody_2d_keypoint/rtmpose/README.md推理 APImmpose/apis/inferencers/pose2d_inferencer.py【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MMPose 全身姿态估计实战：133 关键点 3 步跑通推理
MMPose 全身姿态估计实战133 关键点 3 步跑通推理【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose把一段 3 秒的滑雪视频喂给 MMPose 的全身姿态估计模型几秒后你能同时拿到 68 个面部点、42 个手指点、17 个身体关节和 10 个足部点共 133 个关键点——而不是常见的 17 个躯干骨骼点。这套能力来自 MMPose 的 WholeBody 模块用一套网络覆盖全脸、双手与足部是实时视频流和多目标场景下做全身姿态推理的常用方案。133 点覆盖范围各模型精度与速度3 步跑通推理落地场景选型常见避坑建议核心能力速览先看能直接落地的指标。下表取自仓库内的 COCO-WholeBody 验证集成绩与官方实测速度模型输入尺寸Whole AP参考实测RTMPose-m256×1920.58290 FPS (CPU) / 430 FPS (GPU)RTMPose-l256×1920.611130 FPSRTMPose-l384×2880.648—RTMW-x384×2880.702—RTMPose-m 在单核 i7-11700 上可跑到 90 FPS在 GTX 1660 Ti 上达 430 FPS满足视频流实时要求追求精度则选 384×288 输入或 RTMW-x。下面这张多人街景图就是该模块一次推理同时定位两名全身的姿态结果。原理拆解从一张图进、关键点出的数据流看整条链路分三段职责检测器负责框人输入整张图由 MMDet 侧检测器输出人体 bbox把多人画面切成单人 patch这是多目标场景的入口。姿态网络负责画点每个 bbox 缩放到 256×192 等固定输入RTMPose 用 SIMCC 把坐标拆成两个分布回归一次输出 133 点面、手、足共用同一骨干特征。可视化层负责上色visualizer按skeleton_style连线、用kpt_thr过滤低置信点输出带骨骼的图或 JSON 结果。动手跑通安装克隆仓库并装依赖pip install -v -e .以可编辑模式安装。git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e .推理用 Inferencer 一条命令对tests/data/crowdpose下所有图做全身姿态推理首次运行会自动拉取模型。python demo/inferencer_demo.py tests/data/crowdpose \ --pose2d wholebody \ --vis-out-dir vis_results/crowdpose训练换成自定义数据集时只需替换配置里数据路径一行启动。python tools/train.py configs/wholebody_2d_keypoint/rtmpose/coco-wholebody/rtmpose-l_8xb64-270e_coco-wholebody-256x192.py落地场景虚拟主播与数字人驱动谁用直播与虚拟形象团队。解决用 68 个面部点加 42 个手部点驱动 3D 角色的口型与手势。RTMW-l 在 Cocktail14 上面部 AP 0.834、手部 AP 0.598可离线批量复现口型对齐数据。滑雪与健身动作分解谁用运动教学与教练工具。解决用 10 个足部点定位支撑脚与重心偏移。RTMW-l 足部 AP 0.763可量化落地角度偏差做动作纠错。电商试穿与服装贴合谁用电商与虚拟试衣系统。解决用躯干与关节点做虚拟衣服的形变贴合。RTMPose-l 身体 AP 0.695关节点足够支撑布料锚点绑定。进阶与延伸 精度优先选 384×288 输入Whole AP 0.648速度优先用 256×192。⚠️ 多人遮挡下手部 AP 明显下降可先提高--bbox-thr过滤误检框。 无 GPU 时 Inferencer 加--device cpu可跑通仅实时性下降。延伸资源文档总览docs/zh_cn/overview.md全身姿态 Demodemo/inferencer_demo.py数据集与标注格式docs/zh_cn/dataset_zoo/2d_wholebody_keypoint.mdRTMPose 模型库configs/wholebody_2d_keypoint/rtmpose/README.md推理 APImmpose/apis/inferencers/pose2d_inferencer.py【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考