Skip to content

Latest commit

 

History

History
361 lines (279 loc) · 26.9 KB

README_CN.md

File metadata and controls

361 lines (279 loc) · 26.9 KB
Raw
 
OpenMMLab 官网 HOT      OpenMMLab 开放平台 TRY IT OUT
 

Documentation actions codecov PyPI LICENSE Average time to resolve an issue Percentage of issues still open Open in OpenXLab

📘文档 | 🛠️安装 | 👀模型库 | 📜论文库 | 🆕更新日志 | 🤔报告问题 | 🔥RTMPose

Introduction

English | 简体中文

MMPose 是一款基于 PyTorch 的姿态分析的开源工具箱，是 OpenMMLab 项目的成员之一。

主分支代码目前支持 PyTorch 1.8 以上的版本。

mmpose.demo.mp4
主要特性

  • 支持多种人体姿态分析相关任务

    MMPose 支持当前学界广泛关注的主流姿态分析任务：主要包括 2D多人姿态估计、2D手部姿态估计、2D人脸关键点检测、133关键点的全身人体姿态估计、3D人体形状恢复、服饰关键点检测、动物关键点检测等。 具体请参考 功能演示。

  • 更高的精度和更快的速度

    MMPose 复现了多种学界最先进的人体姿态分析模型，包括“自顶向下”和“自底向上”两大类算法。MMPose 相比于其他主流的代码库，具有更高的模型精度和训练速度。 具体请参考 基准测试（英文）。

  • 支持多样的数据集

    MMPose 支持了很多主流数据集的准备和构建，如 COCO、 MPII 等。 具体请参考 数据集。

  • 模块化设计

    MMPose 将统一的人体姿态分析框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的人体姿态分析模型。

  • 详尽的单元测试和文档

    MMPose 提供了详尽的说明文档，API 接口说明，全面的单元测试，以供社区参考。

最新进展

  • 发布了单阶段实时多人姿态估计模型 RTMO。相比 RTMPose 在多人场景下性能更优

    rtmo

  • 发布了不同尺寸的 RTMW 模型，满足不同的使用场景。模型尺寸覆盖从 RTMW-m 到 RTMW-x 的模型，输入图像尺寸包含 256x192 和 384x288

  • 支持了 PoseAnything 的推理。在线试玩

  • 我们支持了两个新的数据集:

  • 欢迎使用 MMPose 项目。在这里，您可以发现 MMPose 中的最新功能和算法，并且可以通过最快的方式与社区分享自己的创意和代码实现。向 MMPose 中添加新功能从此变得简单丝滑：

    • 提供了一种简单迅捷的方式，将新的算法、功能和应用添加到 MMPose 中
    • 更灵活的代码结构和风格，更少的限制，更简短的代码审核流程
    • 通过独立项目的形式，利用 MMPose 的强大功能，同时不被代码框架所束缚
    • 最新添加的项目包括：
    • 从简单的 示例项目 开启您的 MMPose 代码贡献者之旅吧，让我们共同打造更好用的 MMPose！

  • 2024-01-04：MMPose v1.3.0 正式发布了，主要更新包括:

    • 支持新数据集：ExLPose、H3WB
    • 发布 RTMPose 系列新模型：RTMO、RTMW
    • 支持新算法 PoseAnything
    • 推理器 Inferencer 支持可选的进度条、提升与单阶段模型的适配性

    请查看完整的 版本说明 以了解更多 MMPose v1.3.0 带来的更新!

0.x / 1.x 迁移

MMPose v1.0.0 是一个重大更新，包括了大量的 API 和配置文件的变化。目前 v1.0.0 中已经完成了一部分算法的迁移工作，剩余的算法将在后续的版本中陆续完成，我们将在这个 Issue 页面 中展示迁移进度。

如果您使用的算法还没有完成迁移，您也可以继续使用访问 0.x 分支 和 旧版文档

安装

关于安装的详细说明请参考安装文档。

教程

我们提供了一系列简明的教程，帮助 MMPose 的新用户轻松上手使用：

  1. MMPose 的基本使用方法：

  2. 对于希望基于 MMPose 进行开发的研究者和开发者：

  3. 对于希望加入开源社区，向 MMPose 贡献代码的研究者和开发者：

  4. 对于使用过程中的常见问题：

模型库

各个模型的结果和设置都可以在对应的 config（配置）目录下的 README.md 中查看。 整体的概况也可也在 模型库 页面中查看。

支持的算法
支持的技术
支持的数据集
支持的骨干网络

模型需求

我们将跟进学界的最新进展，并支持更多算法和框架。如果您对 MMPose 有任何功能需求，请随时在 MMPose Roadmap 中留言。

参与贡献

我们非常欢迎用户对于 MMPose 做出的任何贡献，可以参考 贡献指南 文件了解更多细节。

致谢

MMPose 是一款由不同学校和公司共同贡献的开源项目。我们感谢所有为项目提供算法复现和新功能支持的贡献者，以及提供宝贵反馈的用户。 我们希望该工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现现有算法并开发自己的新模型，从而不断为开源社区提供贡献。

引用

如果您觉得 MMPose 对您的研究有所帮助，请考虑引用它：

@misc{mmpose2020,
    title={OpenMMLab Pose Estimation Toolbox and Benchmark},
    author={MMPose Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmpose}},
    year={2020}
}

许可证

该项目采用 Apache 2.0 license 开源协议。

OpenMMLab的其他项目

  • MMEngine: OpenMMLab 深度学习模型训练基础库
  • MMCV: OpenMMLab 计算机视觉基础库
  • MMPreTrain: OpenMMLab 深度学习预训练工具箱
  • MMagic: OpenMMLab 新一代人工智能内容生成（AIGC）工具箱
  • MMDetection: OpenMMLab 目标检测工具箱
  • MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
  • MMRotate: OpenMMLab 旋转框检测工具箱与测试基准
  • MMTracking: OpenMMLab 一体化视频目标感知平台
  • MMSegmentation: OpenMMLab 语义分割工具箱
  • MMOCR: OpenMMLab 全流程文字检测识别理解工具包
  • MMPose: OpenMMLab 姿态估计工具箱
  • MMHuman3D: OpenMMLab 人体参数化模型工具箱与测试基准
  • MMFewShot: OpenMMLab 少样本学习工具箱与测试基准
  • MMAction2: OpenMMLab 新一代视频理解工具箱
  • MMFlow: OpenMMLab 光流估计工具箱与测试基准
  • MMDeploy: OpenMMLab 模型部署框架
  • MMRazor: OpenMMLab 模型压缩工具箱与测试基准
  • MIM: OpenMMlab 项目、算法、模型的统一入口
  • Playground: 收集和展示 OpenMMLab 相关的前沿、有趣的社区项目

欢迎加入 OpenMMLab 社区

扫描下方的二维码可关注 OpenMMLab 团队的 知乎官方账号，扫描下方微信二维码添加喵喵好友，进入 MMPose 微信交流社群。【加好友申请格式：研究方向+地区+学校/公司+姓名】

我们会在 OpenMMLab 社区为大家

  • 📢 分享 AI 框架的前沿核心技术
  • 💻 解读 PyTorch 常用模块源码
  • 📰 发布 OpenMMLab 的相关新闻
  • 🚀 介绍 OpenMMLab 开发的前沿算法
  • 🏃 获取更高效的问题答疑和意见反馈
  • 🔥 提供与各行各业开发者充分交流的平台

干货满满 📘，等你来撩 💗，OpenMMLab 社区期待您的加入 👬