Openpose实操

2024-05-15 00:58
文章标签 实操 openpose

本文主要是介绍Openpose实操,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

https://blog.csdn.net/qq_43258953/article/details/104503803

一,OpenPose项目Github链接:https://github.com/CMU-Perceptual-Computing-Lab/openpose

二,windows源码下载地址:
源码下载
下载第一个推荐版。

三,下载训练好的caffe模型文件
百度云盘上供大家下载使用:

链接:https://pan.baidu.com/s/1qNB-AZFRL0JeTAmAL_xPSA 密码:t9uu
四,模型测试:
OpenPose 提供了基于Body,Hand,Facial 等关键点估计的模型,及相应的在 Videos,Wecam,Images 等测试数据的 Demo。
Image

bin\OpenPoseDemo.exe --net_resolution "64x64" --image_dir examples\media\ --face --hand
video

bin\OpenPoseDemo.exe --video examples/media/video.avi
# With face and hands
bin\OpenPoseDemo.exe --video examples/media/video.avi --face --hand
1
2
Webcam


bin\OpenPoseDemo.exe

# With face and hands
bin\OpenPoseDemo.exe --face --hand
1
2
3
4
五,最大精度配置

# Body
bin\OpenPoseDemo.exe --net_resolution "1312x736" 
                                       --scale_number 4 
                                       --scale_gap 0.25
# Body + Hand + Face
bin\OpenPoseDemo.exe --net_resolution "1312x736" 
                                       --scale_number 4 
                                       --scale_gap 0.25 
                                       --hand 
                                       --hand_scale_number 6 
                                       --hand_scale_range 0.4 
                                       --face
1
2
3
4
5
6
7
8
9
10
11
注[1] - 增加 --net_resolution 尺寸,虽然精度增加,但会导致帧速率(frame rate) 明显减少,延迟性增加. 然而,这种增加精度的方法不是对于所有场景都是一定可行的,需要特定场景特定分析. 如,对于图像中非常小的人体,其比较有效,但对于图像中人体所占比例比较大的场景,其效果一般较差. 因此,OpenPose 推荐采用以上命令行来获得在大部分场景获得最大精度,同时包括大的人体和小的人体的场景.
注[2] - 不要在 MPII 模型使用该命令行配置. 其精度会因多尺度(multi-scale) 设置而降低. 该配置仅适用于 COCO 和COCO-extended(如默认的 BODY_25) 模型.

六,人体追踪Tracking
[1] - 牺牲精度,最大实时运行速度:

# Using OpenPose 1 frame, tracking the following e.g., 5 frames
bin\OpenPoseDemo.exe --tracking 5 --number_people_max 1
1
[2] - 保持较高精度,实时运行速度:

 # Using OpenPose 1 frame and tracking another frame
bin\OpenPoseDemo.exe --tracking 1 --number_people_max 1
1
[3] - 视觉平滑 Visual Smoothness:

# Running both OpenPose and tracking on each frame. 
# Note: There is no speed up/slow down
bin\OpenPoseDemo.exe --tracking 0 --number_people_max 1
1
2
七,可视化某个 Body 部分
如果需要可视化某个 Body 部分,或 PAF(Part Affinity Field) Heatmap,可以采用 --part_to_show 参数
https://blog.csdn.net/qq_43258953/article/details/104503803

一,openpose相关模型的介绍

BODY25:25个身体关键点的识别,运算时间与检测出的人数无关。
COCO:18个身体关键点的识别,运算时间与检测出的人数无关。
MPI:15个身体关键点的识别,运算时间与检测出的人数无关。
Face:70个面部关键点的识别。目前,运算时间取决于检测出的人数。
Hand:221个手部关键点识别。目前,运算时间取决于检测出的人数。

二,
输入:
图片、视频、网络摄像头的视频流、Flir或Point Grey和IP摄像机。项目提供了C++语言的代码样本,用户可以自定义输入。

输出:
原有图片+关键点展示(PNG、JPG、AVI等格式),关键点数据存储文件((JSON, XML, YML等格式)。

操作系统: Ubuntu (14, 16), Windows (8, 10), Mac OSX, Nvidia TX2.
三,效果图
body+face+hand

四,保存推测结果 --write_images

bin\OpenPoseDemo.exe --video examples/media/video.avi --face --hand --write_video examples\res_images/video.avi
1
五,常用关键参数的介绍:
–face: 开启 Face 关键点检测.
–hand: 开启 Hand 关键点检测
–video input.mp4: 读取 Video.
–camera 3: 读取 webcam number 3.
–image_dir path_to_images/: 运行图像路径内的图片.
–ip_camera http://iris.not.iac.es/axis-cgi/mjpg/video.cgi?resolution=320x240?x.mjpeg: 在 streamed IP camera 上运行. 参考public IP cameras 例子.
–write_video path.avi: 将处理后的图片保存为 Video.
–write_images folder_path: 将处理后的图片保存到指定路径.
–write_keypoint path/: 在指定路径输出包含人体姿态数据的 JSON, XML 或 YML 文件.
–process_real_time: 对于视频,可能在实时运行时,跳过某些视频帧.
–disable_blending: 如果 --disable_blending=True,则在很色背景上渲染估计结果(如 keypoints skeletons 和 heatmaps),而不显示原始图像. Related: part_to_show, alpha_pose, and alpha_pose.-
-part_to_show: 可视化的预测通道(Prediction channel).
–display 0: 不打开可视化显示窗口. 对于服务器部署和 OpenPose 加速很帮助.
–num_gpu 2 --num_gpu_start 1: 多 GPUs 时,设置开始的 GPU id. 默认使用所有可用的 GPUs.
–model_pose MPI: 采用的模型Model,影响 Keypoints 的数量、运行速度和精度.
–logging_level 3: Logging messages threshold, range [0,255]: 0 - 输出所有信息e & 255 - 不输出任何信息. Current messages in the range [1-4], 1 for low priority messages and 4 for important ones.

https://blog.csdn.net/qq_43258953/article/details/104507123

这篇关于Openpose实操的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/990357

相关文章

STM32 HAL CAN通讯 实操

1、简介 相比于串口通讯,对于刚接触CAN通讯的小白来说,CAN通讯相对复杂,看各种视频、帖子理论,总是一知半解。本次通过傻瓜式操作,先实现CAN通讯的交互,以提高小白的信心,也便于自己复习观看。本次以STM32CubeMX进行初始化配置,通过Keil 5软件进行软件设计,通过CAN盒实现进行数据的交互。该流程实际以STM32F0、F1、F3、F4、F7实测好用(理论上都适用),这三种型号单片机

SAP学习笔记 - 开发02 - BTP实操流程(账号注册,BTP控制台,BTP集成开发环境搭建)

上一章讲了 BAPI的概念,以及如何调用SAP里面的既存BAPI。 SAP学习笔记 - 开发01 - BAPI是什么?通过界面和ABAP代码来调用BAPI-CSDN博客 本章继续讲开发相关的内容,主要就是BTP的实际操作流程,比如账号注册,登录,BTP集成开发环境的搭建这方面。 目录 1,账号注册 2,BTP登录URL 3,如何在BTP上进行开发? 以下是详细内容。 1,账

[SWPUCTF 2021 新生赛]web方向(一到六题) 解题思路,实操解析,解题软件使用,解题方法教程

题目来源 NSSCTF | 在线CTF平台因为热爱,所以长远!NSSCTF平台秉承着开放、自由、共享的精神,欢迎每一个CTFer使用。https://www.nssctf.cn/problem   [SWPUCTF 2021 新生赛]gift_F12 这个题目简单打开后是一个网页  我们一般按F12或者是右键查看源代码。接着我们点击ctrl+f后快速查找,根据题目给的格式我们搜索c

使用openpose caffe源码框架训练车辆模型常见错误及解决办法

错误1:what():  Error: mSources.size() != mProbabilities.size() at 51, OPDataLayer, src/caffe/openpose/layers/oPDataLayer.cpp 原因:这是因为在网络模型中数据源sources和probabilities设置的参数个数不一样导致的,一个数据源对应一个概率 解决方法:只需要将网络文

caffe训练openpose相关资源

CPMTransformationParameter参数解析: https://www.jianshu.com/p/063a2159f0f2 genLMDB.py: https://www.jianshu.com/p/1cae32cbd36d OpenPose 参数说明: https://blog.csdn.net/zziahgf/article/details/84668319 openp

【ArcGIS Pro实操第二期】最小成本路径(Least-cost path)原理及实操案例

ArcGIS Pro实操第一期:最小成本路径原理及实操案例 概述(Creating the least-cost path)1.1 原理介绍1.2 实现步骤1.3 应用案例 2 GIS实操2.1 工具箱简介2.1.1 成本路径(Cost path)2.1.2 成本距离(Cost distance)2.1.2 路径距离(Path Distance) 2.2 案例: 参考 概述(Cre

从需求场景下出发实操Clickhouse

背景 本着以实时数仓为目标调研了几款OLAP引擎,像Clickhouse、Kylin、Druid等,在粗略了解其架构后,并且在接受各个大厂Clickhouse实践、高性能测试报告、最近业界发展势头凶猛的熏陶与PUA情况下,不得已选择了Clickhouse,当然自己也做过一些测试,本篇将介绍clickhouse的一些原理、实践方案(可能还未实现、可能并不是最佳)与遇到的一些问题,总之只是希望能

Kubernetes学习指南:保姆级实操手册07——calico安装、metric-server安装一、calico

七、Kubernetes学习指南:保姆级实操手册07——calico安装、metric-server安装 一、calico Calico是一个开源的虚拟化网络方案,支持基础的Pod网络通信和网络策略功能。 官方文档:Quickstart for Calico on Kubernetes | Calico Documentation 1、calico安装 ### 在Master控制节点执行

【ArcGIS Pro实操第一期】最小成本路径(Least-cost path)原理及实操案例

ArcGIS Pro实操第一期:最小成本路径原理及实操案例 概述(Creating the least-cost path)1.1 原理介绍1.2 实现步骤1.3 应用案例 2 GIS实操2.1 工具箱简介2.1.1 成本路径(Cost path)2.1.2 成本距离(Cost distance)2.1.2 路径距离(Path Distance) 2.2 案例: 参考 概述(Cre

实操在聆思CSK6大模型开发板的英文评测SDK中自定义添加单词、短语、句子资源

引言 英文评测示例通过对用户语音输入的英文单词进行精准识别,提供 单词、短语、句子 三种类型,用户在选择好类型后,可根据屏幕上的提示进行语音输入,评测算法将对输入的英文语音进行精准识别,并对单词的发音、错读、漏读、多读等方面进行评估。 本文将详细介绍在聆思CSK6大模型语音视觉开发板上,如何替换英文评测示例中的单词、短语和句子,从而让您有更好的AI应用体验。 ·· 获取英文评测SDK 部