将2017 Train/Val annotations 中的json文件转换为xml格式，以便于在模型中使用

labelme标注转成COCO格式，带有area版本，可以用于Detectron。 但是输出分类名可能有问题，要求labelme的label格式为“分类_num”。 同样的，labelme的points仍然为小数。

mscoco_labels.names是coco数据集的标签信息，可以根据自己类别进行修改。

微软MSCOCO标签数据集 annotations_trainval2017，里面包括coco数据集train2017和val2017的 分类，segment，keypoints标签数据

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。

mobilenetv3_centernet 有一个，使用mobilenetv2进行了培训，它更简单。 介绍 这是一个Tensorflow实现mobilenetv3-centernet框架，可以轻松地端到端部署在Android（MNN）和IOS（CoreML）移动设备上。 目的：在移动设备上工作的光检测算法已被广泛使用，例如面部检测。 因此，有一个简单的项目包含模型训练和模型转换器。 **如果您有问题与我联系** 预训练模型和性能 莫斯科 没有增加测试时间。 模型 input_size 地图 地图@ 0.5 地图@ 0.75 512x512 0.251 0.423 0.258 要求 张量流1.14 tensorpack 0.9.9（用于数据提供者） OpenCV python 3.6 MNN转换器 coremltools 使用情况 MSCOCO 火车 下载mscoco

在PyTorch中使用HigherHRNet进行多人人体姿势估计 这是《 》论文的非官方实现。 该代码是的简化版本，同时考虑了易用性。 该代码与完全兼容。 它同时支持Windows和Linux。 该存储库当前提供： 在PyTorch（> = 1.0）中稍高一点的HigherHRNet实现-与官方权重（ pose_higher_hrnet_* ）兼容。 一个简单的类（ SimpleHigherHRNet ）加载HigherHRNet网络以进行自下而上的人体姿势估计，加载预先训练的权重，并对单个图像或一批图像进行人工预测。 支持多GPU推理。 通过设计实现多人支持（HigherHRNet是一种自下而上的方法）。 运行实时演示程序的参考代码，该演示程序从网络摄像头或视频文件中读取帧。 该存储库是根据存储库。 不幸的是，与HRNet相比，HigherHRNet的结果和性能有些令人失

MSCOCO test2017数据集的信息文件 image_info_test2017

这是微软coco数据集中的验证数据数据集2014：val2014.zip，大约包括41K张图片，但不包括这些数据的标签文件。若需要后者，请下载我的“annotations_trainval2014.zip百度云分享”资源

微软coco数据集中测试集2014：test2014.zip。这只是图片数据，而没有标签数据，因为coco数据集中的测试数据集根本就没有标签数据