TF.JS CodeForCause研讨会：姿势校正 使用Tensorflow.JS，Posenet，ML5.JS，P5.JS创建的车间项目，可跟踪用户的身体姿势，如果姿势错误，则会使用户的屏幕模糊并发出警报声。 重要连结 -- 资源

虚拟瑜伽教练 崇实大学智慧竞赛2020大奖 演示视频： : 概括 使用PoseNet的虚拟瑜伽教练可通过网络摄像头识别用户的整个身体，并实时指导瑜伽姿势的错误部分。 成员 鸽队 世珍公园 丹恩 崔在容（Jayoon Choi） 黄允善

官方代码自动下载的模型，跑得时候一直出问题，重新下载以后就可以运行了。这里打包一下整个工程，备份一波。

Posenet + KNN图像分类器演示 在这里查看： : 相机演示演示了如何创建具有3个类别的自定义分类器，可以使用网络相机对姿势数据进行实时训练。 按住训练按钮，将样本添加到分类器，然后让其预测3个类别中最接近的类别。 设置 cd进入项目文件夹： 安装依赖项并准备构建目录： yarn 要监视文件中的更改并启动开发服务器： yarn watch

posenet-similarity 基于PoseNet算法识别两张图片中的姿势相似度

PyTorch中的PoseLSTM和PoseNet实现 这是基于代码开发的PoseLSTM和PoseNet的PyTorch实现。 先决条件 Linux 的Python 3.5.2 CPU或NVIDIA GPU + CUDA CuDNN 入门 安装 从安装PyTorch和依赖项 克隆此仓库： git clone https://github.com/hazirbas/posenet-pytorch cd posenet-pytorch pip install -r requirements.txt PoseNet培训/测试 在datasets /文件夹下下载Cambridge Landscape数据集（例如 ）。 计算均值图像 python util/compute_image_mean.py --dataroot datasets/KingsCollege --height 256

PoseNet和TensorFlow.js 这是在浏览器中使用预训练模型的示例。 对于此特定示例，这是训练有素的模型，这是一种用于移动视觉的有效CNN。 PoseNet可以使用单姿势或多姿势算法检测图像和视频中的人物。 有关此机器学习模型的更多详细信息， ，以获取在Tensorflow.js上运行的PoseNet的高级描述。 查看 笔记： 该代码基于TensorFlow团队发布的模型。 我借用，改编并将其变成一个React组件。 请记住，我刚刚在Chrome中对其进行了测试。 不好意思，我不在乎其他浏览器进行此类实验。 出于明显的原因，您必须允许使用网络摄像头。 不用担心，图像会保留在您的浏览器中。 假设这是GDPR的合规性 :winking_face_with_tongue: PoseNet React组件 import * as React from 'react' import ReactDOM from 'react-

TensorFlow_Lite_Pose_Jetson-Nano 在Jetson Nano上运行的TensorFlow Lite Posenet 在Jetson Nano上的TensorFlow Lite Posenet的快速C ++实现。 一旦超频至2015 MHz，该应用程序将以15.2 FPS的速度运行。 基准。 CPU 2015兆赫 GPU 2015 MHz CPU 1479兆赫 GPU 1479 MHZ RPi 4 64os 1950 MHz 15.2帧/秒 11.8帧/秒 12 FPS 11 FPS 9.4帧/秒 专为Jetson Nano设计的产品，请参阅 依赖关系。 要运行该应用程序，您必须： 已安装TensorFlow Lite框架。 安装了可选的OpenCV。 代码：：已安装块。 （ $ sudo apt-get install codebloc

瑜伽姿势估计应用程序 表中的内容 概述：- 这是一个瑜伽姿势估计应用程序，它可以通过使用posenet和KNN分类器实时检测瑜伽姿势。 这里使用的数据集是自定义数据集，由 3 个视频组成，用于表示 3 种不同的姿势。 它部署在heroku中。 需要注意的一件事，即这将适用于所有移动和边缘设备。 动机：- 这个项目是我在 ShapeAI 实习的一部分，担任机器学习工程师实习生。 该项目可以扩展为完美的瑜伽教练，以使用 AI 跟踪姿势并保持健康。 技术方面：- 该项目主要分为前端，后端两部分。 让我们详细讨论它们中的每一个。 前端部分：-主要是从前摄像头采集姿态图像，用于姿态识别。 该图像被传递给在 ml5.js 中预训练的posenet模型并获取计数部分位置x和y并将它们保存以以json的形式获取数据。 我们将从图像中检测到 17 个姿势，其中有 2 个与之相关的值，总共 34 个

Pytorch-PoseNet 该存储库是实现。 如ICCV 2015年论文《 PoseNet：实时六自由度摄像机重定位的卷积网络》所述， Alex Kendall，Matthew Grimes和Roberto Cipolla [ ] 用法 下载Cambridge Landmarks King's College数据集 PoseNet模型在PoseNet.py文件中定义 训练的初始权重和训练权重（分别为posenet.npy和PoseNet.ckpt）是通过转换张量流模型权重然后进行训练而获得的。 跑步： 将国王学院的数据集提取到您喜欢的任何地方 将开始和训练过的权重提取到您喜欢的任何位置 更新第12行上的路径（train.py） 如果您想重新训练，只需运行train.py（请注意，这将花费很长时间）