全身133点关键点检测模型

输入一张人物图像，端到端检测全身133点关键点，输出人体框和对应的全身关键点，包含68个人脸关键点、42个手势关键点、17个骨骼关键点和6个脚部关键点。

133点人体关键点

模型描述

该任务采用自顶向下的全身关键点检测框架(如下图)，通过端对端的快速推理可以得到图像中的人体关键点。其中全身关键点模型基于HRNet的backboe，充分利用多分变率的特征融合，良好支持日常人体姿态，具有SOTA的检测精度。

使用方式和范围

使用方式：

• 直接推理，在任意真实人物图像上进行直接推理;

使用范围:

• 包含人体的图片，人体分辨率大于100x100，总体图像分辨率小于1080x720，图像大小不超过2M。

目标场景:

1. 动作计数
2. 动作匹配打分
3. 人体动作识别
4. 虚拟驱动
5. 手势识别
6. 人脸识别

如何使用

在ModelScope框架上，提供输入图片，即可以通过简单的Pipelie调用来完成人体关键点检测任务。

代码范例

# umpy >= 1.20
from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

model_id = 'damo/cv_hretw48_huma-wholebody-keypoit_image'
wholebody_2d_keypoits = pipelie(Tasks.huma_wholebody_keypoit, model=model_id)
output = wholebody_2d_keypoits('https://modelscope.oss-c-beijig.aliyucs.com/test/images/keypoits_detect/img_test_wholebody.jpg')

# the output cotais keypoits ad boxes
prit(output)

模型局限性以及可能的偏差

• 输入图像存在人体严重残缺或遮挡的情形下，模型会出现人体或点位误检和漏检的现象。

• 高度运动模糊的情形下，模型会出现人体或点位误检和漏检的现象。

• 模型训练时采用帧间稳定性优化，但在视频数据上，仍然建议采用Oe-Euro-Filter进行帧间点位平滑后处理。

训练数据介绍

训练数据使用COCO公开数据集（https://cocodataset.org/#dowload）。

模型推理流程

该模型采用自顶向下的人体关键点检测流程，模型推理分为人体检测和关键点检测两个步骤。

人体检测

推理

• 端到端模型推理，输出备选人体检测框和score。

人体关键点检测

预处理

• 基于人体检测框从图像中裁剪人体，变换得到384x288大小的模型输入数据。

推理

• 端到端模型推理，输出133点人体关键点heatmap。

后处理

• 获取heatmap极大值坐标，辅以第二极大值坐标微调，获得人体关键点坐标值。
• 将人体图像空间中的关键点坐标变换到原图坐标空间中。

数据评估及结果

测评指标

COCO数据集上模型指标：

模型效果

引用

@IProceedigs{Su_2019_CVPR,
author = {Su, Ke ad Xiao, Bi ad Liu, Dog ad Wag, Jigdog},
title = {Deep High-Resolutio Represetatio Learig for Huma Pose Estimatio},
booktitle = {Proceedigs of the IEEE/CVF Coferece o Computer Visio ad Patter Recogitio (CVPR)},
moth = {Jue},
year = {2019}
}

全身133点关键点检测模型 输入一张人物图像，端到端检测全身133点关键点，输出人体框和对应的全身关键点，包含68个人脸关键点、42个手势关键点、17个骨骼关键点和6个脚部关键点。 133点人体关键点