快速上手

在这一章里，我们将带领你走过MMPose工作流程中关键的七个步骤，帮助你快速上手：

使用预训练模型进行推理
准备数据集
准备配置文件
可视化训练图片
训练
测试
可视化

安装

请查看安装指南，以了解完整步骤。

快速开始

使用预训练模型进行推理

你可以通过以下命令来使用预训练模型对单张图片进行识别：

python demo/image_demo.py \
    tests/data/coco/000000000785.jpg \
    configs/body_2d_keypoint/topdown_regression/coco/td-reg_res50_rle-8xb64-210e_coco-256x192.py\
    https://download.openmmlab.com/mmpose/top_down/deeppose/deeppose_res50_coco_256x192_rle-2ea9bb4a_20220616.pth

该命令中用到了测试图片、完整的配置文件、预训练模型，如果MMPose安装无误，将会弹出一个新窗口，对检测结果进行可视化显示：

更多演示脚本的详细参数说明可以在模型推理中找到。

准备数据集

MMPose支持各种不同的任务，我们提供了对应的数据集准备教程。

你可以在【2D人体关键点数据集】>【COCO】下找到COCO数据集的准备教程，并按照教程完成数据集的下载和整理。

在MMPose中，我们建议将COCO数据集存放到新建的 `$MMPOSE/data` 目录下。

准备配置文件

MMPose拥有一套强大的配置系统，用于管理训练所需的一系列必要参数：

通用：环境、Hook、Checkpoint、Logger、Timer等
数据：Dataset、Dataloader、数据增强等
训练：优化器、学习率调整等
模型：Backbone、Neck、Head、损失函数等
评测：Metrics

在$MMPOSE/configs目录下，我们提供了大量前沿论文方法的配置文件，可供直接使用和参考。

要在COCO数据集上训练基于ResNet50的RLE模型时，所需的配置文件为：

$MMPOSE/configs/body_2d_keypoint/topdown_regression/coco/td-reg_res50_rle-8xb64-210e_coco-256x192.py

我们需要将配置文件中的 data_root 变量修改为COCO数据集存放路径：

data_root = 'data/coco'

感兴趣的读者也可以查阅 [配置文件](./user_guides/configs.md) 来进一步学习MMPose所使用的配置系统。

可视化训练图片

在开始训练之前，我们还可以对训练图片进行可视化，检查训练图片是否正确进行了数据增强。

我们提供了相应的可视化脚本：

python tools/misc/browse_dastaset.py \
    configs/body_2d_keypoint/topdown_regression/coco/td-reg_res50_rle-8xb64-210e_coco-256x192.py \
    --mode transformed

训练

确定数据无误后，运行以下命令启动训练：

python tools/train.py configs/body_2d_keypoint/topdown_regression/coco/td-reg_res50_rle-8xb64-210e_coco-256x192.py

MMPose中集成了大量实用训练trick和功能：

- 学习率warmup和scheduling

- ImageNet预训练权重

- 自动学习率缩放、自动batch size缩放

- CPU训练、多机多卡训练、集群训练

- HardDisk、LMDB、Petrel、HTTP等不同数据后端

- 混合精度浮点训练

- TensorBoard

测试

在不指定额外参数时，训练的权重和日志信息会默认存储到$MMPOSE/work_dirs目录下，最优的模型权重存放在$MMPOSE/work_dir/best_coco目录下。

我们可以通过如下指令测试模型在COCO验证集上的精度：

python tools/test.py \
    configs/body_2d_keypoint/topdown_regression/coco/td-reg_res50_rle-8xb64-210e_coco-256x192.py \
    work_dir/best_coco/AP_epoch_20.pth

在COCO验证集上评测结果样例如下：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets= 20 ] =  0.704
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets= 20 ] =  0.883
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets= 20 ] =  0.777
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets= 20 ] =  0.667
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets= 20 ] =  0.769
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 20 ] =  0.751
 Average Recall     (AR) @[ IoU=0.50      | area=   all | maxDets= 20 ] =  0.920
 Average Recall     (AR) @[ IoU=0.75      | area=   all | maxDets= 20 ] =  0.815
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets= 20 ] =  0.709
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets= 20 ] =  0.811
08/23 12:04:42 - mmengine - INFO - Epoch(test) [3254/3254]  coco/AP: 0.704168  coco/AP .5: 0.883134  coco/AP .75: 0.777015  coco/AP (M): 0.667207  coco/AP (L): 0.768644  coco/AR: 0.750913  coco/AR .5: 0.919710  coco/AR .75: 0.815334  coco/AR (M): 0.709232  coco/AR (L): 0.811334

如果需要测试模型在其他数据集上的表现，可以前往 [训练与测试](./user_guides/train_and_test.md) 查看。

可视化

除了对关键点骨架的可视化以外，我们还支持对热度图进行可视化，你只需要在配置文件中设置output_heatmap=True：

model = dict(
    ## 内容省略
    test_cfg = dict(
        ## 内容省略
        output_heatmaps=True
    )
)

或在命令行中添加--cfg-options='model.test_cfg.output_heatmaps=True'。

可视化效果如下：

如果你希望深入地学习MMPose，将其应用到自己的项目当中，我们准备了一份详细的 [迁移指南](./migration.md) 。

quick_run.md 6.3 KB Histórico Raw