openpifpaf 经过Linux，MacOS和Windows的持续测试： PifPaf：用于人类姿势估计的复合字段 我们提出了一种用于多人2D人体姿势估计的新的自下而上的方法，该方法特别适合于城市机动性，例如无人驾驶汽车和送货机器人。 新方法PifPaf使用“零件强度场”（PIF）定位身体部位，并使用“零件关联场”（PAF）将身体部位彼此关联以形成完整的人体姿势。 由于（i）我们的新复合场PAF编码了细粒度的信息，并且（ii）选择了包含不确定性概念的回归Laplace损失，因此我们的方法在低分辨率以及拥挤，混乱和遮挡的场景中优于以前的方法。 我们的架构基于完全卷积，单发，无盒设计。 我

openpose官方模型库; 内文件包含: body_25(pose_deploy.prototxt; pose_iter_584000.caffemodel) coco(pose_deploy_linevec.prototxt; pose_iter_440000.caffemodel) mpi(pose_deploy_linevec.prototxt; pose_deploy_linevec_faster_4_stages.prototxt; pose_iter_160000.caffemodel) hand(pose_deploy.prototxt; pose_iter_102000.caffemodel) face(pose_deploy.prototxt; pose_iter_116000.caffemodel)

1. 基于MediaPipe实现姿态检测。、 2. 使用bazel编译,生成动态库，提供给winform调用

openpose1.5.1（2019年）中训练好的脸部数据。openpose中的批处理文件下载速度极慢，且容易中断。下载后将此文件解压放在openpose根目录下的\models\pose\mpi文件夹中。

https://github.com/NVIDIA-AI-IOT/trt_pose This project features multi-instance pose estimation accelerated by NVIDIA TensorRT. It is ideal for applications where low latency is necessary. It includes Training scripts to train on any keypoint task data in MSCOCO format A collection of models that may be easily optimized with TensorRT using torch2trt This project can be used easily for the task of human pose estimation, or extended for something new. Below are models pre-trained on the MSCOCO dataset. The throughput in FPS is shown for each platform

例子 介绍 使用python实现基于onnxruntime推理框架的深度学习模型的推理功能。 可以将onnx模型转换为大多数主流的深度学习推理框架模型，因此您可以在部署模型之前测试onnx模型是否正确。 注意：此处的模型由pytorch 1.6训练，并由onnx 1.8.1转换 要求 onnx == 1.8.1 onnxruntime == 1.7.0或onnxruntime-gpu == 1.3.0 opencv-python == 4.2.0.32 运行演示 该演示以main_xxx_.py格式命名。您可以使用以下示例运行代码。 python main_pose_.py --det_model_path weights/yolov5s.onnx \ --pose_model_path data/det/zidane.jpg \ -

手势识别中所用到的proto file，用于基于OpenCV实现对手势的识别。 具体代码可参考：https://cchang.blog.csdn.net/article/details/87979328

open pose body_25 proto file

open pose1.5.1官方原版，已经编译好了，WIN10,CUDA10.0,CUDnn7.5，打开可以直接用，并且python库链接也编译了，可以调用。

将可穿戴IMU与多视图图像融合以进行人体姿势估计：一种几何方法 安装 克隆此仓库，我们将把您克隆的目录称为$ {POSE_ROOT} 安装依赖项。 下载pytorch imagenet预训练的模型。 请在$ {POSE_ROOT} / models下下载它们，并使它们看起来像这样： ${POSE_ROOT}/models └── pytorch └── imagenet ├── resnet152-b121ed2d.pth ├── resnet50-19c8e357.pth └── mobilenet_v2.pth.tar 可以从以下链接下载它们： 资料准备 对于TotalCapture数据集，请从下载并按照处理数据。 我们无权重新分配该数据集。 请不要要求我们提供副本。 对于预先计算的图形模型成对术语，请从下载，并保存在d