HRNet_PyTorch
论文
Deep High-Resolution Representation Learning for Human Pose Estimation
- https://arxiv.org/pdf/1902.09212.pdf
模型结构
HRnet模型是一种多分支的卷积神经网络结构，通过在不同分辨率的特征图之间进行信息交互和融合，实现了高效的人体姿态估计任务。
算法原理
HRnet模型通过构建多分支的卷积神经网络，在不同层级的特征图之间进行信息交互和融合，利用分层特征的高分辨率和全局上下文信息，实现了准确的人体姿态估计。
环境配置
Docker（方法一）
此处提供光源拉取docker镜像的地址与使用步骤
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10-py38-latestdocker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bashpip3 install -r requirements.txt
Dockerfile（方法二）
此处提供dockerfile的使用方法
cd ./docker
docker build --no-cache -t hrnet:1.0 .
docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bashpip3 install -r requirements.txt
Anaconda（方法三）
此处提供本地配置、编译的详细步骤，例如：
关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装。
DTK驱动：dtk22.10
python：python3.8
torch：1.10
torchvision：0.10
mmcv-full：1.6.1+gitdebbc80.dtk2210
Tips：以上dtk驱动、python、paddle等DCU相关工具版本需要严格一一对应
此外安装如下三方库
pip3 install -r conda_requirement.txt
数据集
COCO2017
训练数据
验证数据
测试数据
标签数据
数据集的目录结构如下：
├── images
│ ├── train2017
│ ├── val2017
│ ├── test2017
├── labels
│ ├── train2017
│ ├── val2017
├── annotations
│ ├── person_keypoints_train2017.json
│ ├── person_keypoints_val2017.json
│ ├── captions_train2017.json
│ ├── captions_val2017.json
│ ├── instances_train2017.json
│ ├── instances_val2017.json
├── LICENSE
├── README.txt
├── test-dev2017.txt
├── train2017.txt
├── val2017.txt训练
首先执行如下指令
pip3 install -e .
数据集的路径可以通过修改configs/body/2d_kpt_sview_rgb_img/associative_embedding/coco/hrnet_w32_coco_512x512.py文件中的数据集路径
单机多卡
bash train.sh
#默认为4卡，若需要调整卡数，请修改HIP_VISIBLE_DEVICES的值
result
精度
测试数据：COCO2017，使用的加速卡:Z100L。
根据测试结果情况填写表格：
| 卡数 | 准确率 |
|---|---|
| 4 | AP=0.6504；AR=0.7086 |
应用场景
算法类别
姿态估计
热点应用行业
交通,政府,家居
源码仓库及问题反馈
- ModelZoo / HRNet_pytorch · GitLab
参考资料
- HRNet是一种新的人体姿态估计模型
