Hola, intenté entrenar la red con un conjunto de datos personalizado creado con coco-annotator (https://github.com/jsbroks/coco-annotator) pero la función CocoTrainDataset dentro de coco.py no devuelve nada (len (conjunto de datos) es 0 después de dataset = CocoTrainDataset (...)).
¿Alguna ayuda?
De todos modos, ¿es realmente posible entrenar ese modelo en conjuntos de datos personalizados (con menos puntos clave tal vez)?
Gracias
Si tiene datos en formato MS COCO, puede seguir el párrafo de entrenamiento para entrenar el modelo. Es posible entrenar en un conjunto de datos con diferente número de puntos clave, sin embargo, deberá comprender y modificar el código.
Gracias por responder, logré entrenarlo en mi conjunto de datos personalizado con menos puntos clave, pero no puedo entender el propósito de la matriz "sigmas" en pose.py.
Gracias de nuevo
¡Gracias!
Hola @mathblue ,
¿Ha completado con éxito la formación y la inferencia en su conjunto de datos personalizado? ¿Podría compartir los pasos para hacerlo? Muchísimas gracias.
Hola, sí, he podido entrenar ese código en cualquier modificación de conjunto de datos personalizado
en realidad pocas cosas, puedo cambiar la cantidad de puntos clave y usar Coco
anotador para anotar nuevas imágenes. No sé por qué, pero no siempre entendí
excelentes resultados, pero de todos modos no resultados de cama.
Estoy feliz de compartir la forma en que lo hice, recuerdo que incluso escribí un pequeño
tutorial donde lo explico. Ha pasado bastante tiempo desde que trabajé en
esas cosas pero en cuanto tenga un poco de tiempo pondré las cosas
juntos y te enviaré la documentación.
Il giorno sab 6 giu 2020 alle ore 17:28 Thanh (Edward) Nguyen <
[email protected]> ha scritto:
Hola @mathblue https://github.com/mathblue ,
¿Ha completado con éxito la formación y la inferencia sobre su
conjunto de datos? ¿Podría compartir los pasos para hacerlo? Muchísimas gracias.-
Recibes esto porque te mencionaron.
Responda a este correo electrónico directamente, véalo en GitHub
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/issues/42#issuecomment-640077979 ,
o darse de baja
https://github.com/notifications/unsubscribe-auth/AJT4BLX7DA4YO57S42YGFD3RVJOA5ANCNFSM4ISPICMA
.
Hola @mathblue ,
Gracias por tu tiempo. Tengo mucha curiosidad e interés por su trabajo, especialmente entrenando el modelo en un subconjunto de puntos clave. Espero tu tutorial.
Muy bien, debería haber puesto todo lo necesario para ejecutar el código en este repositorio, ¡espero que la descripción sea lo suficientemente clara!
https://github.com/mathblue/Custom-Pose-Estimation-Yaw-Roll-Pitch-detection-tensorrt-compilation
Hola @mathblue ,
¡Muchas gracias!
Hola @ Daniil-Osokin,
¿Podrías explicar un poco sobre la clase ConvertKeypoints
?
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/a52ab66b77f788cf9619857a4956f82c50e276be/datasets/transformations.py#L7
Especialmente, estas dos líneas:
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/411ff9fd5f6125e1879cb73f6b4f90090184edad/datasets/transformations.py#L38
y
https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch/blob/411ff9fd5f6125e1879cb73f6b4f90090184edad/datasets/transformations.py#L41
¿Supongo que keypoints[5] and keypoints[6]
no son hombros?
Hola, convierte keypoints
que contiene puntos clave en orden COCO a converted_keypoints
en orden interno (solo reasignación y adición de punto clave del cuello). Los hombros corresponden a los índices quinto y sexto en la anotación COCO original .
Hola @ Daniil-Osokin,
Gracias. Tienes razón: la orden de COCO
"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"]
Comentario más útil
Muy bien, debería haber puesto todo lo necesario para ejecutar el código en este repositorio, ¡espero que la descripción sea lo suficientemente clara!
https://github.com/mathblue/Custom-Pose-Estimation-Yaw-Roll-Pitch-detection-tensorrt-compilation