半年前做比赛项目，其中涉及到了目标检测与姿态估计技术，于是采用了yolopose模型框架，当时训练模型时一度遇到难题（一不小心就熬到1,2点，真的累）。发表这篇文章是因为当时自己做项目也很迷，大概弄懂之后有人在b战和csdn里面私信问我如何解决，可做项目属实是比较忙，如今时间相对比较宽裕了，就给大家分享一下在标记过程中如何处理被遮挡的关键点以及如何将json文件转为txt文件（以下说明均以人体的17个关键点为例）。1、标注工具的选择标注工具推荐大家使用labelme，因为labelimg无法进行关键点的标记。labelme的下载与使用这里我不再赘述，有很多博客文章都详细介绍过，不了解的小伙伴可

导读：YOLO，是一种流行的目标检测框架。如果将YOLO引入姿态检测任务中，将取得什么结果呢？这篇文章实现了单阶段的2D人体姿态检测，与自上而下或自下而上的方法不同，该方法将人体检测与关键点估计联合实现，在不采用数据增强如翻转、多尺度等情况下，实现COCOkeypoint上领先的性能，并且该方法可以集成中其他目标检测算法中实现姿态估计，而几乎不增加运算量，对实时估计人体姿态非常关键。ArXiv：https://arxiv.org/abs/2204.06806OpenCode(Pose已开源):https://github.com/TexasInstruments/edgeai-yolov5/t

开源地址:https://github.com/TexasInstruments/edgeai-yolov5/tree/yolo-pose导读：前不久看到一则新闻，YOLO之父JosephRedmon离开CV界，原因是受不了道德的谴责，该技术已被用在军事和隐私问题上。最近，YOLO又火了，YOLOv7在速度和精度的平衡上达到了最佳水平。而基于YOLOv5的YOLOPose也在人体姿态估计领域取得了端到端领先的性能。本篇记录复现YOLOPose的过程，与代码解读。目录一、设置1.1克隆仓库，安装依赖库，检查Pytorch和GPU二、推理与训练2.1下载训练好的YOLO和YOLOPose模型2.2

前言最近因为某些原因，要搞行为识别（actionrecognition），刚好看了YoloPose这篇文章，但是网上看到的中文资料不多，基本都是一篇文章复制粘贴，所以在这里抛砖引玉，写一篇从头开始接触的笔记。现在源码前端时间已经在github上开源了：YoloPose但是一开始我直接以gitclone的方式下载源码，发现只能够下载到Yolov5的源码，里面没有任何和YoloPose相关的文件，我很疑惑，但是看线上仓库里文件确实不太一样，于是我直接下载压缩包，终于得到了新加的文件：test.py：应该是用来训练YoloPose的代码onnx_inference/yolo_pose_onnx_in

前言最近因为某些原因，要搞行为识别（actionrecognition），刚好看了YoloPose这篇文章，但是网上看到的中文资料不多，基本都是一篇文章复制粘贴，所以在这里抛砖引玉，写一篇从头开始接触的笔记。现在源码前端时间已经在github上开源了：YoloPose但是一开始我直接以gitclone的方式下载源码，发现只能够下载到Yolov5的源码，里面没有任何和YoloPose相关的文件，我很疑惑，但是看线上仓库里文件确实不太一样，于是我直接下载压缩包，终于得到了新加的文件：test.py：应该是用来训练YoloPose的代码onnx_inference/yolo_pose_onnx_in