Сайт OpenMMLab ^{НОВОСТИ}      Платформа OpenMMLab ^{ПОПРОБУЙТЕ}

 

📘Документация | 🛠️Установка | 👀Модели | 📜Статьи | 🆕Обновление новостей | 🤔Отчет о проблемах | 🔥RTMPose

MMPose — это открытый набор инструментов для распознавания поз с использованием PyTorch. Это часть проекта OpenMMLab.

Основной ветвью поддерживаются версии PyTorch 1.6+.

https://user-images.githubusercontent.com/15977946/124654387-0fd3c500-ded1-11eb-84f6-24eeddbf4d91.mp4

Что нового

• Мы рады представить YOLOX-Pose, одноэлементную модель для многопользовательского распознавания поз на основе YOLOX. Подробнее см. наш проект.

• Добро пожаловать на страницу проектов MMPose, где вы можете получить доступ к последним возможностям MMPose и сразу же делиться своими идеями и кодом с сообществом. Участие в MMPose будет простым и удобным:

  • Предоставьте простой и гибкий способ интеграции алгоритмов, функций и приложений в MMPose
  • Разрешите гибкую структуру кода и стиль; требуется только короткий процесс проверки кода
  • Создайте отдельные проекты с полной мощностью MMPose, но не привязывайте их к тяжёлым фреймворкам
  • Посмотрите новые проекты:
    • RTMPose
    • YOLOX-Pose
    • MMPose4AIGC
  • Станьте участниками и сделайте MMPose ещё лучше. Начните свой путь с примерного проекта

• 2022-04-06: MMPose v1.0.0 официально выпущена, основные обновления включают: - Выпуск YOLOX-Pose, одноэлементной модели многочеловеческой оценки поз на основе YOLOX

  • Разработка MMPose для AIGC на основе RTMPose, создающей высококачественные изображения скелета для проектов AIGC, управляемых позами
  • Поддержка визуализации скелета в стиле OpenPose
  • Более полная и удобная для пользователя документация и руководства

  Для получения более подробной информации о новых возможностях MMPose v1.0.0 обратитесь к заметкам о выпуске.

Установка

Для получения более подробной информации об установке и подготовке данных обратитесь к инструкциям по установке.

Начало работы

Мы предоставили серию учебников о базовом использовании MMPose для новых пользователей:

1. Для базового использования MMPose:

   • 20-минутное путешествие по MMPose

   • Примеры

   • Интерпретация

   • Конфигурации

   • Подготовка набора данных

   • Обучение и тестирование2. Для разработчиков, желающих работать на основе MMPose:

   • Узнайте о кодеках

   • Диаграмма потока данных в MMPose

   • Реализация новых моделей

   • Настройка наборов данных

   • Настройка преобразований данных

   • Настройка оптимизатора

   • Настройка журналирования

   • Как развернуть

   • Анализ модели

   • Миграционное руководство

2. Для исследователей и разработчиков, желающих внести свой вклад в MMPose: - Руководство по внесению вклада

3. Для решения некоторых распространенных проблем мы предоставляем список часто задаваемых вопросов:

   • Часто задаваемых вопросов (FAQ)

Клуб моделей

Результаты и модели доступны в файле README.md каждой директории конфигураций метода. Обзор можно найти на странице Клуб моделей.

Запрос модели

Мы будем следить за последними достижениями сообщества и поддерживать более популярные алгоритмы и фреймворки. Если у вас есть запросы на новые возможности, пожалуйста, оставьте комментарий в Roadmap MMPose.## Вклад

Мы ценим все вклады, направленные на улучшение MMPose. Пожалуйста, обратитесь к CONTRIBUTING.md для руководства по вкладу.

Отзывы

MMPose — это открытый проект, внесённый исследователями и инженерами из различных университетов и компаний. Мы благодарим всех участников, которые реализуют свои методы или добавляют новые возможности, а также пользователей, предоставляющих ценные отзывы. Мы желаем, чтобы этот набор инструментов и бенчмарк служил растущему сообществу исследователей, предлагая гибкий набор инструментов для переimplementации существующих методов и создания новых моделей.

Цитирование

Если вы находите этот проект полезным в вашем исследовании, пожалуйста, рассмотрите возможность цитирования:

@misc{mmpose2020,
    title={OpenMMLab Инструмент для Оценки Поз и Бенчмарк},
    author={Конtribутory MMPose},
    howpublished = {\url{https://github.com/open-mmlab/mmpose}},
    year={2020}
}

Лицензия

Этот проект распространяется под лицензией Apache 2.0.## Проекты в OpenMMLab- MMEngine: Основная библиотека OpenMMLab для обучения глубоких моделей машинного обучения.

• MMCV: Основная библиотека OpenMMLab для компьютерного зрения.
• MIM: MIM устанавливает пакеты OpenMMLab.
• MMClassification: Инструментальная панель и метрика OpenMMLab для классификации изображений.
• MMDetection: Инструментальная панель и метрика OpenMMLab для детектирования объектов.
• MMDetection3D: Новое поколение платформы OpenMMLab для общего детектирования трёхмерных объектов.
• MMRotate: Инструментальная панель и метрика OpenMMLab для детектирования вращённых объектов.
• MMSegmentation: Инструментальная панель и метрика OpenMMLab для сегментации изображений.
• MMOCR: Инструментальная панель и метрика OpenMMLab для распознавания текста.
• MMPose: Инструментальная панель и метрика OpenMMLab для оценки поз.
• MMHuman3D: Инструментальная панель и метрика OpenMMLab для трёхмерной модели человека.
• MMSelfSup: Инструментальная панель и метрика OpenMMLab для самообучающихся моделей.
• MMRazor: Инструментальная панель и метрика OpenMMLab для сжатия моделей.
• MMFewShotcom/open-mmlab/mmfewshot)): Инструментальная панель и метрика OpenMMLab для малошотового обучения.
• MMAction2): Новое поколение инструментальной панели и метрики OpenMMLab для понимания движений.
• MMTracking): Инструментальная панель и метрика OpenMMLab для анализа видео.
• MMFlow): Инструментальная панель и метрика OpenMMLab для оптического потока.
• MMEditing): Инструментальная панель и метрика OpenMMLab для редактирования изображений и видео.
• MMGeneration): Инструментальная панель и метрика OpenMMLab для генеративных моделей изображений и видео.
• MMDeploy): Фреймворк развертывания моделей OpenMMLab.