企业官网建设流程全解析

MMPose WholeBody：133关键点全身姿态估计5分钟跑通

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

录一段舞蹈跟练视频，你想知道老师每一帧的手指尖、脚尖的落点，再和自己的动作逐帧对比。传统姿态估计只给 17 个人体关节，手和脸是缺失的。MMPose（OpenMMLab 姿态估计工具箱）的 WholeBody 模块给每个人标注 133 个关键点，把身体、面部、双手、双脚一次性覆盖。

133个关键点分布在哪里

一张图上的 133 个点分四组：

• 身体 17 点：从头到脚的主要关节，是姿态估计最基础的骨架
• 面部 68 点：眉、眼、鼻、嘴的五官轮廓
• 双手 42 点：每只手 21 点，覆盖五根手指的全部关节
• 足部 10 点：每只脚 5 点，从脚踝到大脚趾

这套布局与 COCO-WholeBody 数据集一致，相比传统 17 点方案，多出来的正是面部、手指、脚趾这些细节信息。

架构上是自顶向下两段式：人体检测器先在图里圈出每个人，姿态模型再逐人输出 133 点。好比安检先认出人群，再由工作人员逐个登记，比一张网络硬扛全图更稳，遮挡多的人也不会互相干扰。

5分钟跑通第一个WholeBody姿态Demo

克隆仓库并安装（仓库内含测试图片，无需额外下载数据）：

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

用 Inferencer 接口跑全身姿态推理，wholebody别名会自动拉取预训练权重，不用手写检测和姿态的拼装配置：

python demo/inferencer_demo.py \ tests/data/coco/000000000785.jpg \ --pose2d wholebody \ --vis-out-dir vis_results/wholebody

可视化结果落在vis_results/wholebody/目录，能看到人身上画出的全身关键点。输入换成视频、文件夹或摄像头流都可以，比如传tests/data/crowdpose/整个目录，它会批量推理目录下所有图片。

场景深拆：把舞蹈视频变成自动评分系统

projects/just_dance/ 项目用全身关键点做"老师 vs 学员"的舞蹈对比，链路是这样的：

1. 输入：一段示范视频（老师）和一段跟练视频（学员）
2. 处理：wholebody 模型逐帧提取 133 个关键点，再做片段对齐，逐帧计算两人关键点的相似程度
3. 输出：并排对比视频加一个分数

完整流程一行命令：

python projects/just_dance/process_video.py \ teacher.mp4 student.mp4

这个场景为什么离不开全身关键点：舞蹈对比要看手脚的位置。只有 17 个身体关节时，两个人骨架一样但手举高低的差异会被判成满分，42 个手部点和 10 个足部点正是让评分变"挑剔"的部分。分数本质上就是逐帧关键点位置差的汇总，点越密，对动作细节越敏感。项目里还有基于 Gradio 的网页版（app.py），支持摄像头实时输入。

怎么挑模型，新手容易踩哪些坑

configs/wholebody_2d_keypoint/rtmpose/ 目录下是现成的全身模型，COCO-WholeBody val 上的精度如下：

（另有 rtmw-x，384x288 下为 0.702，只比 rtmw-l 高 0.001，通常不值得为此牺牲速度。）

视频流要保 30fps，选 rtmw-m 或 rtmw-l 256x192；离线分析手部、足部细节，直接上 rtmw-l 384x288。RTMPose 系列在官方基准下 GPU 推理可达 130+ FPS，实时性有官方数据背书。

两个常见坑：

1. 人漏检：默认人框置信度阈值偏高，人小或模糊时会丢人，把--bbox-thr调低到 0.3 左右试试。
2. 两组模型搞混：rtmpose-xxx配置是 COCO-WholeBody 单数据集训练，rtmw-xxx是 14 个数据集混合训练（cocktail14），整体精度更高；用哪组配置就配哪组权重，名字对不上会报错。

下一步去哪

MMPose WholeBody 把身体、面部、双手、双脚的姿态变成了一组可直接计算的 133 点数据。想继续看官方跑法，读 全身姿态 Demo 文档；想核对数据集和更多模型精度，查 2d_wholebody_keypoint.md。

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