MMPose——开源姿态估计算法库（附人体关键点识别效果演示）一、简介1.1背景首先姿态估计属于计算机视觉领域的一个基础研究方向。MMPose是基于Pytorch的姿态估计开源算法库，功能全，涵盖的算法多。1.2姿态估计的任务分类维度：预测的是2D还是3D姿态。输入格式：图片or视频姿态的表示形式：关键点or形状等目标类型：全身or人脸or人手or动物or服饰1.3关于人体姿态估计任务HumanPoseEstimation是关键点检测任务中最热门的任务，即进行人体骨架和关节的关键点检测。人体姿态估计任务的扩展：包括基于骨架的、基于表面的、基于三维空间立体的。例如：facebook提出的Dens

​参考资料：Part1：第三节课通知【课程名称】MMPose代码教程【课程链接】3个都是噢安装MMDetection和MMPose：https://www.bilibili.com/video/BV1Pa4y1g7N7MMDetection三角板目标检测：https://www.bilibili.com/video/BV1Lm4y1879KMMPose、RTMPose三角板关键点检测：https://www.bilibili.com/video/BV12a4y1u7sd【学习形式】录播+社群答疑【笔记提交】https://oq042k66z0n.feishu.cn/sheets/Irlis0A

文章目录1.人体姿态估计的介绍和应用2-1.2D姿态估计概述2.1任务描述2.2基于回归2.3基于热力图2.3.1从数据标注生成热力图（高斯函数）2.3.2使用热力图训练模型2.3.3从热力图还原关键点2.4自顶向下2.5自底向上2.6单阶段方法2-2.2D姿态估计详细说明2.1基于回归的自顶向下方法2.1.1经典方法2.1.2基于最大似然估计的改进（RLE）2.1.2背景知识-回归和最大似然估计的联系2.1.2背景知识-标准化流NormalizingFlow2.1.2RLE的整体设计2.2基于热力图的自顶向下方法2.2.1Hourglass论文地址（2016年）2.2.2Hourglass模

由于，近期项目需要引入关键点做一些方向逻辑的判断，在此记录一些实验与经典论文方法。首先，我们先了解一下关键点估计的评价指标。1.PCK-PercentageofCorrectKeypointsPCK表示关键点正确估计的比例计算检测的关键点与其对应的groundtruth间的归一化距离小于设定阈值的比例。在MPII中是以头部长度(headlength)作为归一化参考。d0d_0d0​表示检测器，σ\sigmaσ表示关键点是否与gt匹配的阈值，正确估计出的关键点比例。这是比较老的人体姿态估计指标，在17年比较广泛使用，现在基本不再使用。2.OKS-objectkeypointsimilarityO