# HRNet ## 论文 `Deep High-Resolution Representation Learning for Human Pose Estimation` - [https://arxiv.org/pdf/1902.09212.pdf](https://arxiv.org/pdf/1902.09212.pdf) ## 模型结构 HRnet模型是一种多分支的卷积神经网络结构，通过在不同分辨率的特征图之间进行信息交互和融合，实现了高效的人体姿态估计任务。 ![hrnet_1](hrnet_1.jpg) ## 算法原理 HRnet模型通过构建多分支的卷积神经网络，在不同层级的特征图之间进行信息交互和融合，利用分层特征的高分辨率和全局上下文信息，实现了准确的人体姿态估计。 ![hrnet_2](hrnet_2.jpg) ## 环境配置 ### Docker（方法一） 此处提供[光源](https://www.sourcefind.cn/#/service-details)拉取docker镜像的地址与使用步骤 ``` docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10-py38-latest docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash pip3 install -r requirements.txt ``` ### Dockerfile（方法二） 此处提供dockerfile的使用方法 ``` cd ./docker docker build --no-cache -t hrnet:1.0 . docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash pip3 install -r requirements.txt ``` ### Anaconda（方法三） 此处提供本地配置、编译的详细步骤，例如： 关于本项目DCU显卡所需的特殊深度学习库可从[光合](https://developer.sourcefind.cn/tool/)开发者社区下载安装。 ``` DTK驱动：dtk22.10 python：python3.8 torch：1.10 torchvision：0.10 mmcv-full：1.6.1+gitdebbc80.dtk2210 ``` `Tips：以上dtk驱动、python、paddle等DCU相关工具版本需要严格一一对应` 此外安装如下三方库 ``` pip3 install -r conda_requirement.txt ``` ## 数据集 `COCO2017` [训练数据](http://images.cocodataset.org/zips/train2017.zip) [验证数据](http://images.cocodataset.org/zips/val2017.zip) [测试数据](http://images.cocodataset.org/zips/test2017.zip) [标签数据](https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels.zip) 数据集的目录结构如下： ``` ├── images │ ├── train2017 │ ├── val2017 │ ├── test2017 ├── labels │ ├── train2017 │ ├── val2017 ├── annotations │ ├── person_keypoints_train2017.json │ ├── person_keypoints_val2017.json │ ├── captions_train2017.json │ ├── captions_val2017.json │ ├── instances_train2017.json │ ├── instances_val2017.json ├── LICENSE ├── README.txt ├── test-dev2017.txt ├── train2017.txt ├── val2017.txt ``` ## 训练 首先执行如下指令 ``` pip3 install -e . ``` 数据集的路径可以通过修改configs/body/2d_kpt_sview_rgb_img/associative_embedding/coco/hrnet_w32_coco_512x512.py文件中的数据集路径 ### 单机多卡 ``` bash train.sh #默认为4卡，若需要调整卡数，请修改HIP_VISIBLE_DEVICES的值 ``` ## result ### 精度 测试数据：COCO2017，使用的加速卡:Z100L。 根据测试结果情况填写表格： | 卡数 | 准确率 | | :------: | :------: | | 4 | AP=0.6504；AR=0.7086 | ## 应用场景 ### 算法类别 `姿态估计` ### 热点应用行业 `交通,政府,家居` ## 源码仓库及问题反馈 - [https://developer.sourcefind.cn/codes/modelzoo/hrnet_pytorch](https://developer.sourcefind.cn/codes/modelzoo/hrnet_pytorch) ## 参考资料 - https://github.com/open-mmlab/mmpose/blob/master/configs/body/2d_kpt_sview_rgb_img/cid/coco/hrnet_w32_coco_512x512.py