Lightweight-human-pose-estimation.pytorch: Trainieren mit benutzerdefiniertem Dataset

Wenn Sie über Daten im MS COCO-Format verfügen, können Sie dem Trainingsabschnitt folgen, um das Modell zu trainieren. Das Training an einem Datensatz mit einer anderen Anzahl von Schlüsselpunkten ist möglich, Sie müssen jedoch den Code verstehen und ändern.

Vielen Dank für Ihre Antwort. Ich habe es geschafft, es mit meinem benutzerdefinierten Datensatz mit weniger Schlüsselpunkten zu trainieren, aber ich kann den Zweck des Arrays "sigmas" in pose.py nicht verstehen.
Danke noch einmal

Wir verwenden sie, um die Personen-ID im Video (zwischen Frames) zu verfolgen, siehe hier und hier .

Danke!

Hallo @mathblue ,
Haben Sie das Training und die Inferenz für Ihren benutzerdefinierten Datensatz erfolgreich abgeschlossen? Könnten Sie Schritte teilen, wie das geht? Vielen Dank.

Hallo, ja, ich konnte diesen Code für jede benutzerdefinierte Dataset-Änderung trainieren
eigentlich nur wenige Dinge, ich kann die Anzahl der Keypoints ändern und Coco verwenden
Annotator, um neue Bilder mit Anmerkungen zu versehen. Ich weiß nicht warum, aber ich habe es nicht immer verstanden
ausgezeichnete Ergebnisse, aber sowieso keine Bettergebnisse.
Ich teile gerne mit, wie ich es gemacht habe, ich erinnere mich, dass ich sogar ein kleines geschrieben habe
Tutorial, wo ich es erkläre. Es ist schon ziemlich lange her, seit ich daran gearbeitet habe
diese Dinger aber sobald ich ein bisschen Zeit habe werde ich die Dinger hinstellen
zusammen und ich schicke Ihnen die Unterlagen.

Il giorno sab 6 giu 2020 alle ore 17:28 Thanh (Edward) Nguyen <
[email protected]> ha scrito:

Hallo @mathblue https://github.com/mathblue ,
Haben Sie das Training und die Inferenz zu Ihrem Brauch erfolgreich abgeschlossen?
Datensatz? Könnten Sie Schritte teilen, wie das geht? Vielen Dank.

—
Sie erhalten dies, weil Sie erwähnt wurden.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/42#issuecomment-640077979 ,
oder abmelden
https://github.com/notifications/unsubscribe-auth/AJT4BLX7DA4YO57S42YGFD3RVJOA5ANCNFSM4ISPICMA
.

Hallo @mathblue ,
Vielen Dank für Ihre Zeit. Ich bin wirklich neugierig und interessiert an Ihrer Arbeit, insbesondere an der Schulung des Modells an einer Untergruppe von Schlüsselpunkten. Ich freue mich auf dein Tutorial.

Alles klar, ich hätte alles Notwendige zum Ausführen des Codes in dieses Repository stellen sollen, ich hoffe, die Beschreibung ist klar genug!
https://github.com/mathblue/Custom-Pose-Estimation-Yaw-Roll-Pitch-detection-tensorrt-compilation

Hallo @mathblue ,
Ich danke dir sehr!

Hallo @Daniil-Osokin,
Könnten Sie etwas über die Klasse ConvertKeypoints erklären?
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/a52ab66b77f788cf9619857a4956f82c50e276be/datasets/transformations.py#L7

Vor allem diese beiden Zeilen:
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/411ff9fd5f6125e1879cb73f6b4f90090184edad/datasets/transformations.py#L38
und
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/411ff9fd5f6125e1879cb73f6b4f90090184edad/datasets/transformations.py#L41
Ich denke, keypoints[5] and keypoints[6] sind keine Schultern?

Hallo, es konvertiert keypoints das Keypoints in COCO-Reihenfolge enthält, in converted_keypoints in interner Reihenfolge (nur Neuzuordnung und Hinzufügen des Hals-Keypoints). Schultern entsprechen dem 5. und 6. Index in der ursprünglichen COCO-Anmerkung .

Hallo @Daniil-Osokin,
Dankeschön. Du hast Recht: die COCO-Bestellung
"keypoints": ["nose","left_eye","right_eye","left_ear","right_ear","left_shoulder","right_shoulder","left_elbow","right_elbow","left_wrist","right_wrist","left_hip","right_hip","left_knee","right_knee","left_ankle","right_ankle"]