企业官网建设流程全解析

MMPose 全身姿态估计实战：3步跑通133关键点检测

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

MMPose 是 OpenMMLab 的 PyTorch 姿态估计工具箱，其中 WholeBody 模块在单张图像上一次性输出 133 个全身关键点，覆盖身体关节、面部轮廓、双手手指和足部。它解决的是传统姿态估计只给出 17 个身体关节、而手部表情细节必须另配模型的问题：一套 top-down 流程，人体框出来后，133 个点全部标注到位。全文覆盖内容：

• 133 个关键点的构成，以及 RTMW 模型在 COCO-WholeBody 上的实测精度
• 从克隆仓库到出结果的最短路径：安装、下模型、跑推理
• 健身评分、AIGC 集成两类落地场景的具体做法
• 按硬件选模型、微调入口与部署提速的调优要点

133关键点能力拆解：身体、面部、双手、足部一次到位

WholeBody 走的是自顶向下架构：RTMDet 先检测出每个人体框，再把裁剪后的人体区域送入 RTMPose 回归 133 个关键点。它通过共享的 CSPPAN 特征网络把四个部位联合学习，手指和面部这些高频细节不再单独建模。

133 个点的分配如下：

配套的 RTMW（RTMPose-WholeBody）系列在 COCO-WholeBody v1.0 val 上的 Whole AP 从 0.582 一路到 0.702，配置与权重见 rtmpose_coco-wholebody.md 和 rtmw_cocktail14.md。轻量骨干加 SimCC 定位算法让它在消费级 GPU 上做到 130+ FPS，这是"全身点云"能实时跑起来的关键。

三步跑通全身姿态估计

第1步：克隆仓库并安装

git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e .

第2步：下载预训练权重

mim download mmpose --config rtmpose-m_8xb64-270e_coco-wholebody-256x192 --dest .

检测器权重（RTMDet-m）一并放到本地目录即可，配置放在 demo/mmdetection_cfg/。

第3步：对测试图出结果

python demo/topdown_demo_with_mmdet.py \ demo/mmdetection_cfg/rtmdet_m_640-8xb32_coco-person.py <RTMDet权重> \ configs/wholebody_2d_keypoint/rtmpose/coco-wholebody/rtmpose-m_8xb64-270e_coco-wholebody-256x192.py <RTMW权重> \ --input tests/data/coco/000000196141.jpg \ --output-root vis_results/ --device cuda:0 --bbox-thr 0.5

不加--show也能直接得到带 133 点标注的可视化图，输出在vis_results/下。同一脚本传视频路径即可逐帧处理。

如果只是想批量处理一个目录，Inferencer 接口把配置和权重收敛成一个别名，命令短到一行：

python demo/inferencer_demo.py tests/data/crowdpose \ --pose2d wholebody --vis-out-dir vis_results/crowdpose

落地场景：输入什么、输出什么

健身动作相似度评分

projects/just_dance/ 把 133 点关键点作为输入，与参考视频的骨骼序列逐帧比对，输出 0-1 的相似度分数，用于舞蹈/健身的实时打分。整条链路是：摄像头帧进，相似度曲线出，process_video.py负责视频解码，calculate_similarity.py负责比对。

AIGC 与风格化集成

projects/mmpose4aigc/ 复用 133 点输出驱动换装、风格化骨架等 AIGC 工作流，手指与面部关键点在这里直接决定贴图对齐质量；projects/pose_anything/ 则把"提示词选部位"的交互接在整套关键点体系之上。

手部与面部细粒度分析

双手 42 点加面部 68 点意味着手势识别和表情变化不再依赖单独模型。若只需其中一块，configs/wholebody_2d_keypoint/ 下也提供了独立的 face、hand 子模块配置，可按需裁剪。

选型与调优：精度、速度、部署

• 按硬件选模型：rtmw-m/s 配 256x192 输入，整机（检测+姿态）在 i7 CPU 上约 30-90 FPS、消费级 GPU 上 130+ FPS，视硬件而定；精度敏感就换 rtmw-l/x 配 384x288，Whole AP 从 0.582 提到 0.702。追求离线精度可换 HRNet 系列 heatmap 模型，代价是帧率明显下降。
• 微调入口：标注按 COCO-WholeBody 格式准备，参照 coco_wholebody.py 改数据路径，关键点数与类别数在 config 的num_keypoints/num_classes中同步修改，然后python tools/train.py <你的config>。
• 部署提速：推理侧把model.test_cfg.flip_test置 False 能立省一次前向；RTMPose 系列支持导出 ONNX，RTMPose 项目（projects/rtmpose/）还覆盖了 NPU 与移动端部署样例。

133 点全身方案的价值在于把身体、面部、双手、足部压进同一次推理，下游行为分析不再需要多个模型拼接。后续若要 3D 骨骼，仓库内的 RTMPose3D 项目提供了 2D 到 3D 的提升路径。

• 官方文档：docs/zh_cn/overview.md
• 模型库：configs/wholebody_2d_keypoint/
• 推理 API：mmpose/apis/inference.py

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