企业官网建设流程全解析

17个关键点不够用？MMPose全身姿态估计一次定位133个关键点

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

MMPose（OpenMMLab 的姿态估计工具箱）的 133 关键点全身姿态估计，把人体姿态从"四肢骨架"升级到"手指、面部、足部全覆盖"，本文带你用最短路径跑通它，适合刚接触姿态估计的开发者。

为什么 17 个关节点不够用

先说个具体场景：你在做一个健身动作评分 App，判断用户做瑜伽时手指有没有伸直。如果模型只输出 COCO 的 17 个关节点，指尖、足跟全都不在检测范围里，评分逻辑根本写不出来。

133 关键点全身姿态估计就是为这类需求准备的。这 133 个点按部位分组：

MMPose 把这套点位约定落成了一批可直接运行的配置，集中在 configs/wholebody_2d_keypoint/ 目录下，按算法（RTMPose、HRNet 等）和数据集（COCO-WholeBody 等）分好类，挑一个配置加对应权重就能用。其中主打实时性的 RTMPose 系列，官方报告 RTMPose-l 在 COCO-WholeBody 验证集上达到 67.0% AP，速度约 130+ FPS。

一张图进来，发生了什么

对新手来说，MMPose 的处理链路就是三步流水：

1. 找位置：人体检测器先在原图上框出每个人（这一步通常交给 MMDetection 完成，MMPose 仓库自带现成的检测器配置）；
2. 做姿态：对每个框裁剪出人像局部图，送进姿态模型，输出 133 个点的坐标和置信度；
3. 贴回原图：把结果映射回原图坐标系，画成你熟悉的骨架图。

可以类比成流水线：检测器负责"在哪"，姿态模型负责"什么姿势"，可视化把两者拼起来。你在命令行里跑一次，这三步会自动串完。

最快的一条命令

仓库里的 demo 开箱即用。假设你已经 clone 了仓库，跑这一条命令：

# 对测试图片做全身姿态推理，自动下载预训练权重 python demo/inferencer_demo.py tests/data/coco/000000000785.jpg \ --pose2d wholebody --vis-out-dir vis_results/

其中wholebody是预训练模型的别名，不用手动找配置文件和权重路径。结果保存在vis_results/目录里。想在代码里集成，用 Python 接口：

# 初始化推理器，wholebody 别名会自动加载预训练权重 inferencer = MMPoseInferencer(pose2d='wholebody') results = inferencer('image.jpg') # 返回每人133个点的坐标与置信度

更完整的参数说明可以看 demo/docs/zh_cn/2d_wholebody_pose_demo.md。

精度、速度和规模怎么权衡

选型时先看官方在 COCO-WholeBody 验证集上的报告数据：

规律很直白：输入分辨率从 256x192 升到 384x288，精度提升约 3.7 个点，代价是计算量增大。133 个点里手指占 42 个，手指点在小图上很难分开，所以"要指尖精度就上大分辨率，要速度就压小"基本就是全部取舍。

这些能力用在哪

• 健身动作评分：指尖 42 点让"手指有没有伸直"这类规则可以被量化，而不是靠猜。
• 虚拟角色驱动：身体 17 点驱动骨骼绑定，面部 68 点做表情迁移，一套数据两类用途。仓库里的 projects/just_dance/ 就演示了用全身关键点计算舞蹈动作相似度并打分。
• 实时互动（直播、体感游戏）：对延迟敏感，选 RTMPose 系列，官方报告 130+ FPS，单卡即可支撑多路画面。

和 OpenMMLab 其他工具的分工

MMPose 在 OpenMMLab 生态里只负责姿态这一环：上游接 MMDetection 出人体框（仓库的demo/mmdetection_cfg/下就有现成检测器配置），下游接 MMDeploy 做 ONNX、TensorRT 量化部署，多人视频场景还可以接 MMTracking 做逐帧关联。你不需要自己搭胶水层，demo 脚本里检测器和姿态模型的衔接方式已经写好了。

边界与下一步

一句话说明适用边界：这是 2D 方案，输出的是图像平面坐标，不是 3D 骨骼；重度遮挡、极小人脸等场景精度会下降。建议先跑一遍上面的 demo，在自己数据上看效果再选型；数据集准备、训练和部署的细节都在docs/目录，遇到具体问题时直接提 issue。

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