MMPose Python API完全手册：30个核心接口速查

【免费下载链接】mmpose OpenMMLab Pose Estimation Toolbox and Benchmark. 【免费下载链接】mmpose 项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose

目录

模型初始化

init_model

def init_model(config: Union[str, Path, Config],
               checkpoint: Optional[str] = None,
               device: str = 'cuda:0',
               cfg_options: Optional[dict] = None) -> nn.Module

功能：从配置文件初始化姿态估计模型
参数：

  • config: 配置文件路径或Config对象
  • checkpoint: 模型权重文件路径
  • device: 运行设备，默认为'cuda:0'
  • cfg_options: 配置覆盖选项

示例：

from mmpose.apis import init_model
model = init_model(
    'configs/body_2d_keypoint/rtmpose/body8/rtmpose-m_8xb256-420e_body8-256x192.py',
    'https://download.openmmlab.com/mmpose/v1/body_2d_keypoint/rtmpose/body8/rtmpose-m_8xb256-420e_body8-256x192-63eb25f7_20230623.pth',
    device='cuda:0'
)

2D姿态估计

inference_topdown

def inference_topdown(model: nn.Module,
                      img: Union[np.ndarray, str],
                      bboxes: Optional[Union[List, np.ndarray]] = None,
                      bbox_format: str = 'xyxy') -> List[PoseDataSample]

功能：使用自顶向下模型进行姿态估计
参数：

  • model: 初始化的模型对象
  • img: 输入图像路径或数组
  • bboxes: 边界框坐标，形状为(N, 4)
  • bbox_format: 边界框格式，'xyxy'或'xywh'

示例：

from mmpose.apis import inference_topdown
import cv2

img = cv2.imread('demo.jpg')
bboxes = [[50, 50, 200, 300]]  # xyxy格式
results = inference_topdown(model, img, bboxes)
keypoints = results[0].pred_instances.keypoints[0]

inference_bottomup

def inference_bottomup(model: nn.Module, img: Union[np.ndarray, str])

功能：使用自底向上模型进行姿态估计
参数：

  • model: 初始化的模型对象
  • img: 输入图像路径或数组

示例：

from mmpose.apis import inference_bottomup

results = inference_bottomup(model, 'demo.jpg')
for person in results[0].pred_instances:
    print(person.keypoints)

3D姿态估计

inference_pose_lifter_model

def inference_pose_lifter_model(model,
                                pose_results_2d,
                                with_track_id=True,
                                image_size=None,
                                norm_pose_2d=False)

功能：从2D姿态结果估计3D姿态
参数：

  • model: 3D姿态提升模型
  • pose_results_2d: 2D姿态检测结果
  • with_track_id: 是否使用跟踪ID关联多帧
  • image_size: 图像尺寸
  • norm_pose_2d: 是否归一化2D姿态

示例：

from mmpose.apis import inference_pose_lifter_model

pose3d_results = inference_pose_lifter_model(
    pose_lifter_model,
    pose2d_results,
    image_size=(1920, 1080)
)
print(pose3d_results[0].pred_instances.keypoints_3d)

convert_keypoint_definition

def convert_keypoint_definition(keypoints, pose_det_dataset, pose_lift_dataset)

功能：转换不同数据集之间的关键点定义
参数：

  • keypoints: 关键点坐标数组
  • pose_det_dataset: 2D检测数据集名称
  • pose_lift_dataset: 3D提升数据集名称

示例：

from mmpose.apis import convert_keypoint_definition

converted_kpts = convert_keypoint_definition(
    coco_keypoints, 
    'coco', 
    'h36m'
)

姿态跟踪

_track_by_iou

def _track_by_iou(res, results_last, thr)

功能：使用IoU进行姿态跟踪
参数：

  • res: 当前帧检测结果
  • results_last: 上一帧跟踪结果
  • thr: IoU阈值

_track_by_oks

def _track_by_oks(res, results_last, thr, sigmas=None)

功能：使用OKS进行姿态跟踪
参数：

  • res: 当前帧检测结果
  • results_last: 上一帧跟踪结果
  • thr: OKS阈值
  • sigmas: 关键点标准差

示例：

from mmpose.apis import _track_by_oks

track_id, results_last, match_result = _track_by_oks(
    current_result, 
    last_results, 
    thr=0.3,
    sigmas=sigmas
)

可视化工具

visualize

def visualize(
    img: Union[np.ndarray, str],
    keypoints: np.ndarray,
    keypoint_score: np.ndarray = None,
    metainfo: Union[str, dict] = None,
    visualizer: PoseLocalVisualizer = None,
    show_kpt_idx: bool = False,
    skeleton_style: str = 'mmpose',
    show: bool = False,
    kpt_thr: float = 0.3,
)

功能：可视化姿态估计结果
参数：

  • img: 图像路径或数组
  • keypoints: 关键点坐标
  • keypoint_score: 关键点置信度
  • metainfo: 数据集元信息
  • visualizer: 可视化器实例
  • show_kpt_idx: 是否显示关键点索引
  • skeleton_style: 骨骼样式('mmpose'或'openpose')
  • show: 是否显示图像
  • kpt_thr: 关键点置信度阈值

示例：

from mmpose.apis import visualize

img = visualize(
    'input.jpg',
    keypoints,
    keypoint_score=scores,
    skeleton_style='openpose',
    show=True,
    kpt_thr=0.5
)

数据处理

collect_multi_frames

def collect_multi_frames(video, frame_id, indices, online=False)

功能：从视频中收集多帧图像
参数：

  • video: 视频读取器对象
  • frame_id: 当前帧索引
  • indices: 帧索引偏移量列表
  • online: 是否为在线模式(不使用未来帧)

extract_pose_sequence

def extract_pose_sequence(pose_results, frame_idx, causal, seq_len, step=1)

功能：从姿态结果中提取序列帧
参数：

  • pose_results: 多帧姿态结果
  • frame_idx: 当前帧索引
  • causal: 是否为因果模式
  • seq_len: 序列长度
  • step: 采样步长

推理器接口

Pose2DInferencer

class Pose2DInferencer(BaseMMPoseInferencer)

功能：2D姿态推理器类
主要方法：

  • __init__: 初始化推理器
  • preprocess: 预处理输入数据
  • forward: 模型前向推理
  • visualize: 可视化结果

示例：

from mmpose.apis import Pose2DInferencer

inferencer = Pose2DInferencer(
    model='body',
    device='cuda:0'
)
results = inferencer('input.jpg')

MMPoseInferencer

class MMPoseInferencer(BaseMMPoseInferencer)

功能：统一姿态推理器接口
主要方法：

  • __init__: 初始化推理器
  • preprocess: 预处理输入数据
  • forward: 模型前向推理
  • visualize: 可视化结果

示例：

from mmpose.apis import MMPoseInferencer

inferencer = MMPoseInferencer(
    pose2d='body',
    pose3d='body3d',
    device='cuda:0'
)
results = inferencer('input.jpg')

API速查表

接口类别 函数名称 主要功能
模型初始化 init_model 初始化姿态估计模型
2D姿态估计 inference_topdown 自顶向下姿态估计
2D姿态估计 inference_bottomup 自底向上姿态估计
3D姿态估计 inference_pose_lifter_model 3D姿态提升
3D姿态估计 convert_keypoint_definition 关键点定义转换
姿态跟踪 _track_by_iou IoU跟踪
姿态跟踪 _track_by_oks OKS跟踪
可视化 visualize 姿态结果可视化
数据处理 collect_multi_frames 多帧采集
推理器 Pose2DInferencer 2D姿态推理器
推理器 MMPoseInferencer 统一推理器接口

使用流程示例

mermaid

完整示例代码

# 模型初始化
model = init_model(
    'configs/body_2d_keypoint/rtmpose/body8/rtmpose-m_8xb256-420e_body8-256x192.py',
    'https://download.openmmlab.com/mmpose/v1/body_2d_keypoint/rtmpose/body8/rtmpose-m_8xb256-420e_body8-256x192-63eb25f7_20230623.pth',
    device='cuda:0'
)

# 2D姿态估计
image = cv2.imread('demo.jpg')
results = inference_topdown(model, image)

# 可视化结果
visualize(
    image,
    results[0].pred_instances.keypoints[0],
    results[0].pred_instances.keypoint_scores[0],
    show=True,
    kpt_thr=0.5
)

注意事项

  1. 模型初始化时，若未指定checkpoint，将使用随机权重
  2. 自顶向下模型需要先进行人体检测获取bbox
  3. 3D姿态估计需要先获取2D姿态结果
  4. 可视化时支持两种骨骼样式：mmpose和openpose
  5. 跟踪功能需要连续帧之间的结果关联

通过本手册，您可以快速查找和使用MMPose的核心API接口，加速姿态估计相关应用的开发。建议结合官方文档和示例代码深入学习每个接口的高级用法。

【免费下载链接】mmpose OpenMMLab Pose Estimation Toolbox and Benchmark. 【免费下载链接】mmpose 项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose

Logo
亚马逊云科技技术品牌专区

更多推荐

编写自动化脚本，在自己后端服务中使用云原生Baas服务进行数据库相关操作

通过dbInsertdbQuerydbUpdate和dbDelete这四个 API，冰狐智能辅助平台为开发者构建了一个完整且易于使用的云端数据管理方案。无论是记录自动化脚本的运行日志、存储用户配置，还是管理设备状态，这些 API 都能提供稳定可靠的支持。结合 FaaS 的无服务器特性，开发者可以将精力完全集中在业务逻辑的实现上，极大地提升了开发效率和应用的可靠性。

avatar 亚马逊云科技技术品牌专区
cover

【实战】ESP32s3 + 阿里云IOT + MQTT协议，实现温湿度上报与远程控制简易Demo

avatar 亚马逊云科技技术品牌专区
cover

人工智能站上风口：这些大学专业怎么选、怎么学、如何进大厂实习

avatar 亚马逊云科技技术品牌专区