【关键点检测｜OpenPifPaf】环境配置与模型测试

官方文档

url: https://openpifpaf.github.io/intro.html
title: "Introduction — OpenPifPaf Guide"
host: openpifpaf.github.io

环境配置

url: https://openpifpaf.github.io/dev/dev.html
title: "Contribute — OpenPifPaf Guide DEV"
host: openpifpaf.github.io

git clone https://github.com/openpifpaf/openpifpaf.git
cd openpifpaf
pip3 install --editable '.[dev,train,test]'

pip3 install --editable '.[dev,train,test]' 这步很慢，看似卡着不动了，其实CPU占用率会有变化。会根据 setup.py 和 ~/setup.cfg 的内容去安装依赖，里面给出了 torch 和 torchvision 的版本，一般是比较新的，我从文档中看到建议是使用 torch-1.9 ，但是克隆下来的配置文件中给出的是 torch-1.11。可能默认的是 cpu 版的 pytorch ，需要自己安装 gpu 版的。

教程测试

Prediction

教程来源：openpifpaf/guide/predict_cli.ipynb

图像

# 无参数则默认传入到 openpifpaf/guide/coco 下
python -m openpifpaf.predict coco/000000081988.jpg --image-output --json-output

# 输出预测结果到当前目录下
python -m openpifpaf.predict coco/000000081988.jpg --image-output ./ --json-output ./

视频

# 没有找到这个视频文件，所以暂时没有测试视频预测
python3 -m openpifpaf.video --source myvideotoprocess.mp4 --video-output --json-output

调试

# 显示解码器中的神经网络结构和定时信息
python -m openpifpaf.predict coco/000000081988.jpg --image-output --json-output --debug

Examples

COCO

# 使用快速模型 shufflenetv2k16 预测
python -m openpifpaf.predict coco/000000188465.jpg -q --image-output --long-edge=1025
python -m openpifpaf.predict coco/000000114907.jpg -q --image-output
# 使用其他更精确的模型
python -m openpifpaf.predict coco/000000188465.jpg -q --image-output --long-edge=1025 --checkpoint=shufflenetv2k30

调试输出

python -m openpifpaf.predict coco/000000541055_cropped.jpeg -q --image-output --debug-indices cif:5 cifhr:5 caf:5 --save-all=coco_debug_example