Skip to content

Latest commit

 

History

History
362 lines (279 loc) · 26.8 KB

README_CN.md

File metadata and controls

362 lines (279 loc) · 26.8 KB
 
OpenMMLab 官网 HOT      OpenMMLab 开放平台 TRY IT OUT
 

Documentation actions codecov PyPI LICENSE Average time to resolve an issue Percentage of issues still open Open in OpenXLab

📘文档 | 🛠️安装 | 👀模型库 | 📜论文库 | 🆕更新日志 | 🤔报告问题 | 🔥RTMPose

Introduction

English | 简体中文

MMPose 是一款基于 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 PyTorch 1.8 以上的版本。

mmpose.demo.mp4
主要特性
  • 支持多种人体姿态分析相关任务

    MMPose 支持当前学界广泛关注的主流姿态分析任务:主要包括 2D多人姿态估计、2D手部姿态估计、2D人脸关键点检测、133关键点的全身人体姿态估计、3D人体形状恢复、服饰关键点检测、动物关键点检测等。 具体请参考 功能演示

  • 更高的精度和更快的速度

    MMPose 复现了多种学界最先进的人体姿态分析模型,包括“自顶向下”和“自底向上”两大类算法。MMPose 相比于其他主流的代码库,具有更高的模型精度和训练速度。 具体请参考 基准测试(英文)。

  • 支持多样的数据集

    MMPose 支持了很多主流数据集的准备和构建,如 COCO、 MPII 等。 具体请参考 数据集

  • 模块化设计

    MMPose 将统一的人体姿态分析框架解耦成不同的模块组件,通过组合不同的模块组件,用户可以便捷地构建自定义的人体姿态分析模型。

  • 详尽的单元测试和文档

    MMPose 提供了详尽的说明文档,API 接口说明,全面的单元测试,以供社区参考。

最新进展

  • 发布了 RTMW3D, 一个 3D 全身姿态估计的实时模型。

  • 发布了单阶段实时多人姿态估计模型 RTMO。相比 RTMPose 在多人场景下性能更优

    rtmo

  • 发布了不同尺寸的 RTMW 模型,满足不同的使用场景。模型尺寸覆盖从 RTMW-m 到 RTMW-x 的模型,输入图像尺寸包含 256x192 和 384x288

  • 支持了 PoseAnything 的推理。在线试玩

  • 我们支持了新的数据集:

  • 欢迎使用 MMPose 项目。在这里,您可以发现 MMPose 中的最新功能和算法,并且可以通过最快的方式与社区分享自己的创意和代码实现。向 MMPose 中添加新功能从此变得简单丝滑:

    • 提供了一种简单迅捷的方式,将新的算法、功能和应用添加到 MMPose 中
    • 更灵活的代码结构和风格,更少的限制,更简短的代码审核流程
    • 通过独立项目的形式,利用 MMPose 的强大功能,同时不被代码框架所束缚
    • 最新添加的项目包括:
    • 从简单的 示例项目 开启您的 MMPose 代码贡献者之旅吧,让我们共同打造更好用的 MMPose!

  • 2024-01-04:MMPose v1.3.0 正式发布了,主要更新包括:

    • 支持新数据集:ExLPose、H3WB
    • 发布 RTMPose 系列新模型:RTMO、RTMW
    • 支持新算法 PoseAnything
    • 推理器 Inferencer 支持可选的进度条、提升与单阶段模型的适配性

    请查看完整的 版本说明 以了解更多 MMPose v1.3.0 带来的更新!

0.x / 1.x 迁移

MMPose v1.0.0 是一个重大更新,包括了大量的 API 和配置文件的变化。目前 v1.0.0 中已经完成了一部分算法的迁移工作,剩余的算法将在后续的版本中陆续完成,我们将在这个 Issue 页面 中展示迁移进度。

如果您使用的算法还没有完成迁移,您也可以继续使用访问 0.x 分支旧版文档

安装

关于安装的详细说明请参考安装文档

教程

我们提供了一系列简明的教程,帮助 MMPose 的新用户轻松上手使用:

  1. MMPose 的基本使用方法:

  2. 对于希望基于 MMPose 进行开发的研究者和开发者:

  3. 对于希望加入开源社区,向 MMPose 贡献代码的研究者和开发者:

  4. 对于使用过程中的常见问题:

模型库

各个模型的结果和设置都可以在对应的 config(配置)目录下的 README.md 中查看。 整体的概况也可也在 模型库 页面中查看。

支持的算法
支持的技术
支持的数据集
支持的骨干网络

模型需求

我们将跟进学界的最新进展,并支持更多算法和框架。如果您对 MMPose 有任何功能需求,请随时在 MMPose Roadmap 中留言。

参与贡献

我们非常欢迎用户对于 MMPose 做出的任何贡献,可以参考 贡献指南 文件了解更多细节。

致谢

MMPose 是一款由不同学校和公司共同贡献的开源项目。我们感谢所有为项目提供算法复现和新功能支持的贡献者,以及提供宝贵反馈的用户。 我们希望该工具箱和基准测试可以为社区提供灵活的代码工具,供用户复现现有算法并开发自己的新模型,从而不断为开源社区提供贡献。

引用

如果您觉得 MMPose 对您的研究有所帮助,请考虑引用它:

@misc{mmpose2020,
    title={OpenMMLab Pose Estimation Toolbox and Benchmark},
    author={MMPose Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmpose}},
    year={2020}
}

许可证

该项目采用 Apache 2.0 license 开源协议。

OpenMMLab的其他项目

  • MMEngine: OpenMMLab 深度学习模型训练基础库
  • MMCV: OpenMMLab 计算机视觉基础库
  • MMPreTrain: OpenMMLab 深度学习预训练工具箱
  • MMagic: OpenMMLab 新一代人工智能内容生成(AIGC)工具箱
  • MMDetection: OpenMMLab 目标检测工具箱
  • MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
  • MMRotate: OpenMMLab 旋转框检测工具箱与测试基准
  • MMTracking: OpenMMLab 一体化视频目标感知平台
  • MMSegmentation: OpenMMLab 语义分割工具箱
  • MMOCR: OpenMMLab 全流程文字检测识别理解工具包
  • MMPose: OpenMMLab 姿态估计工具箱
  • MMHuman3D: OpenMMLab 人体参数化模型工具箱与测试基准
  • MMFewShot: OpenMMLab 少样本学习工具箱与测试基准
  • MMAction2: OpenMMLab 新一代视频理解工具箱
  • MMFlow: OpenMMLab 光流估计工具箱与测试基准
  • MMDeploy: OpenMMLab 模型部署框架
  • MMRazor: OpenMMLab 模型压缩工具箱与测试基准
  • MIM: OpenMMlab 项目、算法、模型的统一入口
  • Playground: 收集和展示 OpenMMLab 相关的前沿、有趣的社区项目

欢迎加入 OpenMMLab 社区

扫描下方的二维码可关注 OpenMMLab 团队的 知乎官方账号,扫描下方微信二维码添加喵喵好友,进入 MMPose 微信交流社群。【加好友申请格式:研究方向+地区+学校/公司+姓名】

我们会在 OpenMMLab 社区为大家

  • 📢 分享 AI 框架的前沿核心技术
  • 💻 解读 PyTorch 常用模块源码
  • 📰 发布 OpenMMLab 的相关新闻
  • 🚀 介绍 OpenMMLab 开发的前沿算法
  • 🏃 获取更高效的问题答疑和意见反馈
  • 🔥 提供与各行各业开发者充分交流的平台

干货满满 📘,等你来撩 💗,OpenMMLab 社区期待您的加入 👬