基于COCO数据集的人体姿势估计 该存储库包含使用深度神经网络执行人体姿态估计的SENG 474数据挖掘项目的在建项目。 下面是我们项目建议的简短摘录。 问题 人体姿态估计（HPE）是识别人体关键点以构建人体模型的问题领域。 许多现有系统接受图像作为输入，有些实现接受诸如点云和视频之类的格式。 HPE的应用广泛且使许多行业受益。 特别是，HPE在电影和游戏行业中均用于动画。 HPE的更险恶的应用可用于识别多个帧（即视频）上的个人。 HPE的另一个子集是手势估计，可用于翻译手语。 由于诸多挑战，HPE是一个困难的问题领域。 这些包括人类外观和体格的变化，环境光照和天气，其他物体的遮挡，关节重叠的自我遮挡，人体骨骼运动的复杂性以及2D图像输入的固有信息丢失[1]。 这个很大程度上未解决的问题使我们能够探索许多新颖和创造性的方法，从而丰富我们的学习经验。 我们很高兴探索这些应用程序，但是我们决定

用xml文件生成json文件，用于训练coco数据格式的检测网络，

yolov3_coco.tar.gz，附件是百度网盘上该资源的链接和提取码

对MSCOCO Captions数据进行指标评测的代码，包含各指标对应的jar库。官方提供的测评代码是python 2.7，这个版本支持python 3.x。

百度搜索"目标检测必须要OpenCV？10行Python代码也能实现，亲测好用！" 可立即使用

coco_data_extract 从COCO数据集中提取特定的目录图像和注释 parse1.py：从“ instances_train2014.json”中提取所需的目录，并保存到“ COCO_train_oo2.json” parse2.py：根据“ COCO_train_oo2.json”中的图像名称，将包含的图像从“ path”复制到“ path2”。 请注意，图片名称必须为“ COCO_train2014 _” +“ 000000” +“大约6个长度数字” parse3.py：从“ COCO_train_oo2.json”中提取注释信息，为每个图像更改并另存为PASCAL VOC格式“ .xml”格式。 此代码中的所有路径和文件名都需要更改。

COCO OCR数据集

COCO is a large-scale object detection, segmentation, and captioning dataset. COCO has several features: Object segmentation Recognition in context Superpixel stuff segmentation 330K images (>200K labeled) 1.5 million object instances 80 object categories 91 stuff categories 5 captions per image 250,000 people with keypoints

MSCOCO2014, instances_trainval35k.json.zip, 都在一个json文件中,比如ssd源代码使用的就是整体json

第一次尝试使用 OpenCV 基于深度学习的人体姿态估计的COCO 模型和MPII 模型