openmmlab是一个大型视觉算法开源项目，https://github.com/open-mmlab其由多个模块组成，包括底层的基础库MMCV、MMEngine；中层的各算法模块，如目标检测mmdet、关键点估计mmpose

OpenMMLab简介MMDetectionMMDetection3DMMClassificationMMSegmentation语义分割MMPose&MMHuman3D人体姿态估计MMTracking

二.MMlab1.openmmlab是一个开源的深度学习工具2.里面包含了MMselfsup\MMpose等诸多深度学习工具3.在全球范围内有巨大影响力。

计算机视觉是什么2、计算机视觉应用3、计算机视觉的发展4、openmmlab算法框架介绍（1）mmdection3d：点云场景（2）mmclassification（3）mmsegmentation（4）mmpose

并且通过对于一些算法框架的介绍粗略的了解，印象最深的则是MMpose与MMHuman3d框架，可以将运动的姿势通过点与线提取出来。再通过机器学习

OpenMMLab总体架构如下图运用了MMDetection，MMDetection3D，MMClassification，MMSegmentation，MMPose&MMHuman3D，MMTracking

一、问题描述需要将mmpose框架下训练的模型单独保存出来，做后续处理。

Listitem第一节笔记通用视觉框架OpenMMLab1.MMDetection2.MMDetection3D3.MMSegmentation4.MMPose&MMHuman3D5.MMTracking5

算法框架介绍算法框架功能应用MMDetection目标检测、实例分割、全景分割MMDetection3D3D目标检测MMClassification分类MMSegmentation语义分割无人驾驶汽车、遥感、医疗影像分析MMPose

作者已经在github上开源了代码，但是在MMPose上目前还没有实现，所以本篇文章就使用HRNet在MMPose上实现SimDR。

作者已经在github上开源了代码，但是在MMPose上目前还没有实现，所以本篇文章就使用HRNet在MMPose上实现SimDR。

MMPose的官方文档对于怎么安装其实写得非常清楚，所以本篇文章其实相当于一个过程记录。

hardswish和hardmish是两个比ReLu更强的激活函数，在姿态估计网络中使用可以带来一定的涨点，故本篇文章想要在mmpose中替换一下激活函数，测试一下两种新的激活函数的效果。

作者已经在github上开源了代码，但是在MMPose上目前还没有实现，所以本篇文章就使用HRNet在MMPose上实现SimDR。

本人用的服务器版本是cuda11.4（实际安装的时候按照11.3版本）1.使用conda新建虚拟环境，并进入该虚拟环境condacreate-nopenmmlabpython=3.7-ycondaactivateopenmmlab这里的openmmlab是随便起的名字，当然你也可以随便叫2.基于PyTorch官网安装PyTorch和torchvisioncondainstallpytorchtor

省流小助手这篇文章写的时候mmpose只更新到0.13.0版本，如果大家在现在最新的GitHub上面按照这个流程来安装和操作，可能不是完全的准确。

首先Gitclonemmpose:GitHub-open-mmlab/mmpose:OpenMMLabPoseEstimationToolboxandBenchmark.然后根据github安装依赖环境

首先出现KEYERROR："TopDown:HRTisnotinthemodelsregistry"之后开启了我的找错误之旅1、重新建立环境pytorch==1.7.1cuda=10.11）mmpose

使用mmpose中的工具转onnx使用工具转pth模型到onnx模型：pythontools/pytorch2onnx.pyconfigs/top_down/hrnet/coco/hrnet_w48_coco

1.配置环境参考：https://mmpose.readthedocs.io/zh_CN/latest/install.html第1步使用MIM安装MMCVpipinstall-Uopenmim-ihttps

mmpose是商汤开源的一款基于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PyTorch1.5以上的版本。

最近，项目中需要在终端使用关键点检测，对于模型性能要求相对严苛。在这里我将讲解并记录模型优化的过程，希望对大家有所帮助。由于终端算力有限，在内存速度与性能需要权衡好，我选择轻量型关键点性能较好的Lite-HRNet作为模型的backbone。下面，将对Lite-HRNet模型与如何输出onnx模型详细讲解。Lite-HRNet先给论文地址。轻量型网络大多采用depthwiseconvolution

在工程中，模型的运行速度与精度是同样重要的，本文中，我会运用不同的方法去优化比较模型的性能，希望能给大家带来一些实用的trick与经验。有关键点检测相关经验的同学应该知道，关键点主流方法分为Heatmap-based与Regression-based。其主要区别在于监督信息的不同，Heatmap-based方法监督模型学习的是高斯概率分布图，即把GroundTruth中每个点渲染成一张高斯热图，最

记录配置mmpose出现的cuda报错在Ubuntu环境下配置mmpose，按照mmpose工程下的install.md文件配置，创建虚拟环境，1、condacreate-nopen-mmlabpython

文章目录mmposePyTorch模型转TensorRT1.github开源代码2.PyTorch模型转ONNX模型3.ONNX模型转TensorRT模型3.1概述3.2编译3.3运行4.推理结果mmposePyTorch模型转TensorRT1.github开源代码yolov5TensorRT推理的开源代码位置在https://github.com/linghu8812/tensorrt_inf

MMPose1.简介1.1主要功能1.2基本概念1.2.1支持的骨干网络（用于特征提取）1.2.2支持的人体姿态估计方法1.2.3支持的数据集2.UDP(UnbiasedDataProcessing-2021

如果大家之前没有做过mmlab系列的项目，有可能会不知道如何配置，mmlab系列相关的环境，这里我再单独介绍一遍，如何配置mmlab系列的基础环境。首先，你需要配置一下基础环境，python，pytorch之类的，这里我的配置是windows11+python3.9+pytorch1.12.0如果大家不知道如何配置这些基础环境的话，请移步我的第一篇博客《关于我被车创④，转生到异世界以后什么都不会，

joint-iimage.jpgfbonfbvpose_out.png后处理参考modelzoo里面的onnxhrnet处理下就好对应HRNet仓库==============https://github.com/open-mmlab/mmpose

欢饮大佬们提建议，我也只是个学习中的小菜鸡以下是mmpose教程链接教程0：学习配置文件mmpose采用python文件作为配置文件，将模块化和继承设计融入你的配置文件，便于进行各种实验你可以在MMPose

有点麻烦，写个流程记录一下具体步骤把mmlab的mmpose下载到本地，创建虚拟环境mmlab//下载gitclonehttps://github.com/open-mmlab/mmpose.gitcdmmpose

人员摔倒识别yolov5视频识别老人跌倒检测是基于视频的检测方法，通过判断前后帧的人体关键点的坐标变化来判断人是否摔倒，使用openpose或者mmpose进行摔倒检测有两个问题。

mmpose是商汤开源的一款基于PyTorch的姿态分析的开源工具箱，是OpenMMLab项目的成员之一。

AssertionError:TorchnotcompiledwithCUDAenabled看了很多文章，问题并没有解决，于是淘宝找人解决，来记录解决过程，仅供大家参考。错误显示如下：看conda的安装环境!(base)C:\Users\Administor>condainfo--envs显示结果如下：激活openmmlab：（base）C：\Users\Adminisitor>condaacti

一、摔倒检测识别摔倒准确来说应使用人体姿态检测，通过判断前后帧的人体关键点的坐标变化来判断人是否摔倒，使用openpose或者mmpose进行摔倒检测有两个问题：第一，后处理算法比较复杂，openpose

mmpose训练自己的数据集最近在做人体姿态估计，有一批上半身关键点的数据集，商汤mmlab中的mmpose很适合，因为没有mmpose训练自己数据集的文章，所以就自己写了一个。

目录活跃之星月度贡献者星星说|活跃之星：章舸帆MM系列多个算法库焕新上线1.MMCV2.MMDetection3.MMClassification4.MMPose5.MMDetection3D6.MMSegmentation7

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\s

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。

花了些时间，实际对比了AlphaPose、BlazePose和MMPose。

号外号外！OpenMMLab姿态估计创意Demo大赛震撼来袭！不设任务，不限主题，完全自由发挥！是不是有亿点点心动？快来解锁活动详情吧～世间万物，千姿百态，异彩纷呈。令人眼花缭乱的外表下，则有其内在结构和运动规律如何透过表象，洞察结构与运动的本质？姿态估计算法给你一双这样的“慧眼”https://github.com/open-mmlab/mmposegithub.com/open-mmlab/m

主要算法1.1基于匹配和三角化重建的算法1.2基于空间体素化的算法1.3基于图卷积网络的算法1.4基于Transformer的算法2常用数据集2.1Campus2.2Shelf2.3CMUPanoptic3MMPose

配置框架mmpose。数据集为mpii,16个关键点，评价指标为pckh。训练使用四块3090显卡。配置文件组成不同

MMPose是一个基于PyTorch的姿态分析的开源工具箱，是OpenMMLab项目的一部分，源码在https://github.com/open-mmlab/mmpose，最新发布版本为v0.28.1

MMPose的介绍及安装参考：https://blog.csdn.net/fengbingchun/article/details/126676309，这里给出2d手势估计的测试代码，论文：《SimpleBaselinesforHumanPoseEstimationandTracking

MMPose的介绍及安装参考：https://blog.csdn.net/fengbingchun/article/details/126676309，这里给出人体姿势估计的测试代码，论文：《Deephigh-resolutionrepresentationlearningforhumanposeestimation

MMPose姿态估计创意Demo大赛震撼来袭！不设任务，不限主题，完全自由发挥！是不是有亿点点心动？

上一篇讲完安装，这一篇来简单操作一下，搞点估计结果图爽一下。虽然还没深入内容，但是只要搞出了结果，那就是一脚踏进了姿态估计大门！我再叨叨一句，有时候，先把代码跑通了，测试一波，简单的复现一下，也是初期代码能力的培养！配环境多难啊！看懂别人的英文教程多难啊！直接改代码是要一步登天嘛！我刚入门就读源码，边爬边飞靠谱吗！天才发抖！目录开始使用1准备数据集2推导预训练模型2.1测试数据集官网举例用High

MMPose作为OpenMMLab系列中的姿态估计算法库，自2020年发布以来，经过2年的不断迭代打磨，已经成为姿态估计领域覆盖算法最多，功能最全的开源算法库之一。

MMPose理解1.MMPose是什么2.编解码器2.1编码器2.2解码器1.MMPose是什么MMPose是一款基于Pytorch的姿态估计开源工具箱，是OpenMMLab项目的成员之一，包含了丰富的

首先将代码定位到mmpose\models\detectors\top_down.py中，该脚本文件只有一个TopDown类，是关键点检测器整个流程的执行文件。