MMPose 姿态估计指南：从安装到人体关键点推理
【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose
MMPose 是 OpenMMLab 出品的姿态估计工具箱：输入一张图片或一段视频，输出画面中每个人体关键点（或动物关节点）的像素坐标。它覆盖人体 17 点、手部 21 点、面部与全身 133 点，支持 2D 与 3D 重建，内置 COCO、MPII、300W 等 30 多个数据集的适配与评估。
从输入到输出的能力版图
一次 2D 人体关键点检测的完整流程是"输入→处理→输出"三段：先用检测器给出人物框（也可自己指定框），姿态模型对每个框做热图回归或坐标分类，最后解码成关键点坐标。整图直接推理时换用自底向上路线——热图一次性铺满整幅图再聚类，省去单独的人体检测，适合拥挤场景。
能力边界可以具体到配置目录：configs/下按任务分好文件夹——人体在body_2d_keypoint/，手、脸、动物、全身分别在hand_2d_keypoint/、face_2d_keypoint/、animal_2d_keypoint/、wholebody_2d_keypoint/。算法侧包括 SimpleBaseline、HRNet、ViTPose、RTMPose 等，每个训练好的模型都有一份配套 yml，列着指标表与权重下载地址，选模型不用猜。
核心源码同样按职责分层：主干网络、预测头、关键点编码器、损失函数分别放在mmpose/models/与mmpose/codecs/，训练评估用mmpose/datasets/和mmpose/evaluation/。换组件不用读全仓库，找到对应目录即可。
三步跑通人体关键点推理
第一步，装好环境；第二步，选一个预训练模型；第三步，用现成 demo 跑一次推理。以 RTMPose-m（输入 256×192，COCO-WholeBody 上Body AP 0.673）为例：
git clone https://gitcode.com/GitHub_Trending/mm/mmpose && cd mmpose pip install -r requirements.txt -e . python demo/image_demo.py tests/data/coco/000000000785.jpg \ configs/wholebody_2d_keypoint/rtmpose/coco-wholebody/rtmpose-m_8xb64-270e_coco-wholebody-256x192.py \ rtmpose-m_simcc-coco-wholebody_pt-aic-coco_270e-256x192-cd5e845c_20230123.pth \ --out-file vis_results.jpg命令里只关心三样东西：图片路径、配置文件、权重文件。换更大的 RTMPose-l（Body AP 0.695）或更快的 s 规格，只是换这两个文件名。没有预计算人物框的整图，改用demo/topdown_demo_with_mmdet.py：它先跑 MMDetection 检人，再逐框做姿态估计，--input支持直接喂视频。
改一行配置切换关键点编码
MMPose 的数据处理是一条串行流水线，全部由数据集配置里的transforms列表描述：读图、裁人物区域、随机翻转与旋转等增强依次过一遍，最后一项决定关键点被编码成什么形态——热图、积分回归还是 SimCC 坐标分类。
比如把MSPoseHeatmap换成SimCCLabel，模型输出的整个表征就变了，损失函数（mmpose/models/losses/）也需与编码配套。理解这一点后，"模型预测的是什么、误差怎么算"都能在配置里直接对照出来。
自定义数据训练
自有数据先转成 COCO 格式，转换脚本集中在tools/dataset_converters/，然后把数据路径写进复制出的配置：
python tools/train.py configs/your_config.py ./tools/dist_train.sh configs/your_config.py 8🏃 视频分析直接喂给demo/topdown_demo_with_mmdet.py即可逐帧出关键点；想比对"跳得准不准"，可以看看projects/just_dance/项目——它用全身 133 关键点逐帧计算与标准动作的相似度。部署侧，projects/rtmpose/提供 RTMPose 的 ONNX 导出与 TensorRT、C++ 推理样例，移动端可直接参照。
📚 各入口：文档在docs/，演示脚本在demo/，全部预训练配置在configs/，社区项目在projects/。
【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
