模型训练环境构建1.创建虚拟环境condacreate-nhrnetpython=3.7condaactivatehrnet2.安装cuda和cudnncondainstallcudatoolkit=10.2condainstallcudnn3.安装pytorchpipinstalltorch==1.7.0pipinstalltorchvision==0.8.04.下载项目代码gitclonehttps://github.com/HRNet/HRNet-Semantic-Segmentation.gitcdHRNet-Semantic-Segmentation-HRNet-OCR或者直接从ht
一、前言 由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。 本文根据SimDR工程实现视频关键点检测。SimDR根据HRnet改进而来，整个工程既包括HRnet又包括改进后的算法，使用起来较为方便，而且本文仅在cpu上就可以跑通整个工程。二、环境配置 python的环境主要就是按照工程中SimDR与yolov5的requirement.txt安装即可。总之缺啥装啥。三、工程准
一、前言 由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。 本文根据SimDR工程实现视频关键点检测。SimDR根据HRnet改进而来，整个工程既包括HRnet又包括改进后的算法，使用起来较为方便，而且本文仅在cpu上就可以跑通整个工程。二、环境配置 python的环境主要就是按照工程中SimDR与yolov5的requirement.txt安装即可。总之缺啥装啥。三、工程准
目录一、介绍1、物体检测的背景与重要性2、HRNet和YOLOv5的概述（1）HRNet的概述（2）YOLOv5的概述二、HRNet的架构1、HRNet的基本单元2、HRNet的高分辨率特征金字塔3、HRNet的体系结构4、HRNet的特点5、HRNet的局限性三、YOLOv5的架构与原理四、YOLOv5的优势1、YOLOv5的速度优势2、YOLOv5的精度优势3、YOLOv5的轻量级优势五、YOLOv5的局限性1、YOLO
论文名称：DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation论文下载地址：https://arxiv.org/abs/1902.09212官方源码地址：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch在bilibili上的视频讲解：https://www.bilibili.com/video/BV1bB4y1y7qP文章目录0前言1HRNet网络结构2预测结果（heatmap）的可视化3损失的计算4评价准则5其他5.1数据增强5.2注意输入图片
论文名称：DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation论文下载地址：https://arxiv.org/abs/1902.09212官方源码地址：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch在bilibili上的视频讲解：https://www.bilibili.com/video/BV1bB4y1y7qP文章目录0前言1HRNet网络结构2预测结果（heatmap）的可视化3损失的计算4评价准则5其他5.1数据增强5.2注意输入图片
HRNet代码及原理分析（一）--网络结构通常来说，目前市场上主流物体关键点的方法一般分两类：基于坐标回归，热力图。而后者主要是由高到低分辨率网络然后由低分辨率网络再转到高分辨率网络中（high-to-lowresolution—>low-to-highresolution）。但是微软提出的一种新型的网络结构–HRNet。上图是high-to-lowresolution—>low-to-highresolution的一般的网络结构，下图就是HRNet的大概的网络结构。可以清楚的看到，HRNet在网络分辨率上是没有进行改变的，主网络的shape一直都是保持一样的，这种设计可以保护图片的局部信息，
