当前位置：首页 > news >正文

姿态分析开源工具箱MMPose安装及使用示例(2d face landmark detection)

news 来源：原创 2024/5/6 11:47:36

MMPose是一个基于PyTorch的姿态分析的开源工具箱，是OpenMMLab项目的一部分，源码在https://github.com/open-mmlab/mmpose，最新发布版本为v0.28.1，License为Apache-2.0。它支持在Windows、Linux和Mac上运行。
1.安装：使用conda安装
(1).创建openmmlab虚拟环境：

conda create -n openmmlab python=3.8
conda activate openmmlab

(2).安装PyTorch：这里PyTorch使用1.11.0版本，CUDA使用10.2版本，此CUDA版本对PyTorch各版本都支持

conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=10.2 -c pytorch

(3).安装MMCV：MMCV有两个版本，这里安装带CUDA的mmcv-full
1).mmcv-full: 完整版，包含所有的特性以及丰富的开箱即用的CUDA算子，安装此版本需要较长时间。
2).mmcv：精简版，不包含CUDA算子但包含其余所有特性和功能，类似MMCV 1.0之前的版本。
不要在同一个环境中安装两个版本，否则可能会遇到类似ModuleNotFound的错误。在安装一个版本之前，需要先卸载另一个：

pip uninstall mmcv-full
pip uninstall mmcv

注意：这里mmcv-full使用1.5.3版本。CUDA版本和PyTorch版本与安装PyTorch时保持一致

pip install mmcv-full==1.5.3 -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.11.0/index.html

(4).安装MMPose：没有通过源码安装

pip install mmpose==0.28.1

(5).安装MMDetection：MMPose中个别模块会需要

pip install mmdet==2.25.1

(6).安装face_recognition：MMPose中个别模块会需要，face_recognition依赖dlib，因此安装face_recognition之前需要先安装dlib

conda install -c conda-forge dlib
pip3 install face_recognition

2.测试：论文：《Deep High-Resolution Representation Learning for Visual Recognition》，19点

(1).准备测试图像：原始图像来自网络

image_path = "../../data/image/"
image_name = "2.jpg"

(2).通过开源模块face_recognition检测人脸框：

data = face_recognition.load_image_file(image)
face_det_results = face_recognition.face_locations(data) # a list of tuples of found face locations in css (top, right, bottom, left) order
print("face detect results:", face_det_results)

face_bbox_results = []

mat = cv2.imread(image)
for rect in face_det_results:
    cv2.rectangle(mat, (rect[3], rect[0]), (rect[1], rect[2]), (0, 255, 0), 1)
    person = {}
    person["bbox"] = [rect[3], rect[0], rect[1], rect[2]]
    face_bbox_results.append(person)

cv2.imwrite("../../data/result_mmpose_face_location.png", mat)
cv2.imshow("show", mat)
cv2.waitKey(0)

print("face bbox results:", face_bbox_results)
return face_bbox_results

(3).下载模型：

def download_checkpoint(path, name, url):
	if os.path.isfile(path+name) == False:
		print("checkpoint(model) file does not exist, now download ...")
		subprocess.run(["wget", "-P", path, url])

path = "../../data/model/"
checkpoint = "hrnetv2_w18_aflw_256x256-f2bbc62b_20210125.pth"
url = "https://download.openmmlab.com/mmpose/face/hrnetv2/hrnetv2_w18_aflw_256x256-f2bbc62b_20210125.pth"
download_checkpoint(path, checkpoint, url)

(4).根据配置文件和checkpoint文件构建模型：

config = "../../src/mmpose/configs/face/2d_kpt_sview_rgb_img/topdown_heatmap/aflw/hrnetv2_w18_aflw_256x256.py"
model = init_pose_model(config, path+checkpoint, device)

(5).进行推理，输入包括之前的人脸检测框结果：

pose_results, returned_outputs = inference_top_down_pose_model(model, image, face_bbox_results, bbox_thr=None, format='xyxy')
# print(pose_results)

(6).由推理输出画圆和框并保存结果图像：

# vis_pose_result(model, image, pose_results, radius=1, thickness=1, show=True, out_file="../../data/result_mmpose_2d_face_landmark.png")

mat = cv2.imread(image)
for result in pose_results:
    # print(f"bbox: {result['bbox']}, keypoints: {result['keypoints']}")
    cv2.rectangle(mat, (result['bbox'][0], result['bbox'][1]), (result['bbox'][2], result['bbox'][3]), (255, 0, 0), 1)

    for keypoints in result['keypoints']:
        cv2.circle(mat, (int(keypoints[0]), int(keypoints[1])), 1, (0, 0, 255), 1)

cv2.imwrite("../../data/result_mmpose_face_landmark.png", mat)
cv2.imshow("show", mat)
cv2.waitKey(0)