Слияние кода завершено, страница обновится автоматически
📘Документация |
🛠️Установка |
👀База моделей |
📜Библиотека статей |
🆕Журнал обновлений |
🤔Отчет о проблемах |
🔥RTMPose
```markdown
```
MMPose — это открытый набор инструментов для анализа человеческих поз, основанный на PyTorch, являющийся частью проекта OpenMMLab.
Основной веткой поддерживаются версии PyTorch 1.6 и выше.
Поддержка различных задач анализа человеческих поз
MMPose поддерживает множество актуальных задач анализа поз, таких как двумерное многоперсонное распознавание поз, двумерное распознавание поз рук, двумерное распознавание ключевых точек лица, полносоставное распознавание поз с 133 ключевыми точками, восстановление трёхмерной формы человека, распознавание ключевых точек одежды, распознавание ключевых точек животных и т.д. Подробнее см. демонстрацию функциональности.
Высокое качество и скорость
MMPose реализует множество передовых моделей анализа поз, используемых в научном сообществе, включая "сверху вниз" и "снизу вверх" алгоритмы. MMPose обеспечивает более высокую точность моделей и скорость обучения по сравнению с другими популярными библиотеками. Подробнее см. тестирование производительности (англ.).
Поддержка множества данных
MMPose поддерживает подготовку и сборку многих популярных наборов данных, таких как COCO, MPII и т.д. Подробнее см. наборы данных.- Модульная архитектура
MMPose декомпозирует унифицированный подход к анализу поз на отдельные модули, что позволяет пользователям легко создавать свои собственные модели анализа поз путём комбинирования этих модулей.
Полностью тестировано и подробно документировано
MMPose предоставляет детальные руководства, API справочники и всесторонние юнит-тесты для использования сообществом.
- Приветствуем вас в проекте MMPose. Здесь вы можете узнать о последних функциях и алгоритмах MMPose и быстро делиться своими идеями и реализациями кода с сообществом. Теперь добавление новых функций в MMPose стало простым и удобным процессом:
Предоставляет простой и быстрый способ добавления новых алгоритмов, функций и приложений в MMPose.
Более гибкая структура и стиль кода, меньше ограничений и более короткий процесс проверки кода.
Использует мощные возможности MMPose через независимые проекты, не привязываясь к конкретной архитектуре кода.
Недавно добавленные проекты включают:
Начните свой путь как вкладчика кода MMPose с простого примерного проекта, и вместе сделаем MMPose ещё лучше!
- 2022-04-06: MMPose v1.0.0 был официально выпущен, основные обновления включают:
Выпуск модели YOLOX-Pose для одноэлементной многочеловеческой оценки поз на основе YOLOX
Разработка MMPose для AIGC на основе RTMPose для создания высококачественных снимков скелета для использования в проектах Pose-guided AIGC
Поддержка визуализации скелета в стиле OpenPose
Улучшенные и более удобные документация и руководства
Для получения более подробной информации о новых возможностях MMPose v1.0.0, пожалуйста, просмотрите полное сообщение о выпуске.
Для получения более подробной информации об установке обратитесь к документации по установке.
Мы предоставляем серию простых руководств, чтобы помочь новым пользователям MMPose легко начать работу:
Основные методы использования MMPose: - Руководство за 20 минут
Для исследователей и разработчиков, желающих присоединиться к открытому сообществу и внести свой вклад в MMPose: - Участие в проекте
Для часто возникающих вопросов при использовании:
Результаты и настройки всех моделей можно найти в файлах README.md, расположенных в соответствующих директориях конфигураций. Общую информацию также можно получить на странице библиотеки моделей.
COCO-WholeBody [Главная страница] (ECCV'2020)
MacaquePose [Главная страница] (bioRxiv'2020)
InterHand2.6M [Главная страница] (ECCV'2020)
AP-10K [Главная страница] (NeurIPS'2021)
Horse-10 [Главная страница] (WACV'2021)
Мы будем следовать последним достижениям в академической среде и поддерживать больше алгоритмов и фреймворков. Если у вас есть какие-либо требования к функционалу MMPose, пожалуйста, сообщите об этом в разделе Roadmap MMPose.## Внесение вклада
Мы очень рады любым вкладам от наших пользователей в проект MMPose. Для получения более подробной информации обратитесь к руководству по внесению вклада.
MMPose — это открытый проект, созданный совместными усилиями различных университетов и компаний. Мы благодарим всех участников, которые внесли свой вклад в воспроизведение алгоритмов и поддержку новых функций, а также пользователей за их ценные отзывы.
Мы надеемся, что этот набор инструментов и базовые тесты будут служить гибкими средствами для сообщества, чтобы пользователям было удобно воспроизводить существующие алгоритмы и разрабатывать свои новые модели, тем самым постоянно вносить вклад в открытое программное обеспечение.
Если вам помогает MMPose в ваших исследованиях, пожалуйста, рассмотрите возможность цитирования:```bibtex @misc{mmpose2020, title={OpenMMLab Инструмент для оценки поз и тестовый набор}, author={Конtribутory MMPose}, howpublished = {\url{https://github.com/open-mmlab/mmpose}}, year={2020} }
## Лицензия
Проект использует лицензию [Apache Yöntem 2.0](LICENSE).
## Другие проекты OpenMMLab
## Лицензия
Проект использует лицензию [Apache 2.0](LICENSE).
## Другие проекты OpenMMLab- [MMEngine](https://github.com/open-mmlab/mmengine): Базовая библиотека для обучения глубоких нейронных сетей от OpenMMLab
- [MMCV](https://github.com/open-mmlab/mmcv): Базовая библиотека компьютерного зрения от OpenMMLab
- [MIM](https://github.com/open-mmlab/mim): Единый вход для проектов, алгоритмов и моделей OpenMMLab
- [MMClassification](https://github.com/open-mmlab/mmclassification): Инструментальная библиотека для классификации изображений от OpenMMLab
- [MMDetection](https://github.com/open-mmlab/mmdetection): Инструментальная библиотека для детектирования объектов от OpenMMLab
- [MMDetection3D](https://github.com/open-mmlab/mmdetection3d): Новый универсальный платформенный подход для bk3D детектирования объектов от OpenMMLab
- [MMRotate](https://github.com/open-mmlab/mmrotate): Инструментальная библиотека для детектирования поворотов и тестовых наборов от OpenMMLab
- [MMSegmentation](https://github.com/open-mmlab/mmsegmentation): Инструментальная библиотека для сегментации изображений от OpenMMLab
- [MMOCR](https://github.com/open-mmlab/mmocr): Полный набор инструментов для распознавания текста от OpenMMLab
- [MMPose](https://github.com/open-mmlab/mmpose): Инструментальная библиотека для оценки поз от OpenMMLab
- [MMHuman3D](https://github.com/open-mmlab/mmhuman3d): Инструментальная библиотека для моделирования человека и тестовых наборов от OpenMMLab
- [MMSelfSup](https://github.com/open-mmlab/mmselfsup): Инструментальная библиотека для самообучения и тестовых наборов от OpenMMLab
- [MMRazor](https://github.com/open-mmlab/mmrazor): Инструментальная библиотека для сжатия моделей и тестовых наборов от OpenMMLab
- [MMFewShot](https://github.com/open-mmlab/MMFewShot)com/open-mmlab/mmfewshot)): Инструментальная библиотека для обучения с небольшим количеством примеров и тестовых данных от OpenMMLab
- [MMAction2](https://github.com/open-mmlab/mmaction2)): Новый универсальный подход к анализу видео от OpenMMLab
- [MMTracking](https://github.com/open-mmlab/mmtracking)): Универсальная платформа для видеоприложений от OpenMMLab
- [MMFlow](https://github.com/open-mmlab/mmflow)): Инструментальная библиотека для оценки потока и тестовых данных от OpenMMLab
- [MMEditing](https://github.com/open-mmlab/mmediting)): Инструментальная библиотека для редактирования изображений и видео от OpenMMLab
- [MMGeneration](https://github.com/open-mmlab/mmgeneration)): Инструментальная библиотека для генерации изображений и видео от OpenMMLab
- [MMDeploy](https://github.com/open-mmlab/mmdeploy)): Инструментальная библиотека для развертывания моделей от OpenMMLab
## Добро пожаловать в сообщество OpenMMLabСканируйте QR-код ниже, чтобы подписаться на официальный аккаунт OpenMMLab на [Zhihu](https://www.zhihu.com/people/openmmlab), свяжитесь с нами через [официального помощника WeChat](https://user-images.githubusercontent.com/25839884/205872898-e2e6009d-c6bb-4d27-8d07-117e697a3da8.jpg) или присоединиться к официальному QQ-чату команды [OpenMMLab](https://jq.qq.com/?_wv=1027&k=K0QI8ByU).
<div align="center">
<img src="https://user-images.githubusercontent.com/25839884/205870927-39f4946d-8751-4219-a4c0-740117558fd7.jpg" height="400"><img src="https://user-images.githubusercontent.com/25839884/205872898-e2e6009d-c6bb-4d27-8d07-117e697a3da8.jpg" height="400"><img src="https://user-images.githubusercontent.com/25839884/203904835-62392033-02d4-4c73-a68c-c9e4c1e2b07f.jpg" height="400">
</div>
Мы будем рады представить вас в сообществе OpenMMLab:
- 📢 Современные технологии фреймворков AI
- 💻 Расшифровка исходного кода часто используемых модулей PyTorch
- 📰 Новости проекта OpenMMLab
- 🚀 Введение в передовые алгоритмы от команды OpenMMLab
- 🏃♂️ Более эффективное решение вопросов и сбор обратной связи
- 🔥 Платформа для взаимодействия со всеми разработчиками различных областей
Приглашаем вас присоединиться к нашему сообществу! 📘, мы ждём вас 💗, присоединяйтесь к нам 👬
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Опубликовать ( 0 )