#姿态估计
boxmot
BoxMOT项目提供可插拔的多对象跟踪模块，支持分割、目标检测和姿态估计。提供适用于各种硬件配置的跟踪方法，包括CPU和GPU。兼容多种ReID模型及Yolov8、Yolo-NAS、YOLOX等目标检测模型，并通过快速实验脚本提高实验效率。
ultralytics
Ultralytics的YOLOv8是一款前沿对象识别模型，提供了与前代产品相比更优化的特性。适用于对象检测、跟踪、实例分割和图像分类等多种应用场景，其高速准确性和用户友好性使其成为AI领域开发者的优选。更多细节，请参阅官方文档或参与Discord社区互动。
TF-SimpleHumanPose
该项目是利用TensorFlow实现的2D多人体姿态估计与追踪代码库，兼容多个数据集如MPII、PoseTrack 2018和MS COCO 2017。其代码简洁灵活，提供训练、测试和可视化功能，并生成与MS COCO和PoseTrack兼容的输出文件。在CUDA和cuDNN环境的Ubuntu系统上进行多GPU训练和测试。
RSN
RSN项目提出Residual Steps Network姿态估计方法,通过聚合同一空间尺度特征获得精细局部表示,实现精确关键点定位。项目引入Pose Refine Machine注意力机制进一步优化关键点位置。RSN在COCO和MPII基准测试中取得领先结果,并在2019年COCO关键点挑战赛中获得第一名和最佳论文奖。该方法在多人姿态估计任务中展现出优异性能。
Awesome-Implicit-NeRF-Robotics
这个项目汇集了神经隐式表示和NeRF在机器人领域的应用论文，涵盖物体姿态估计、SLAM、操作学习、物体重建、物理模拟和导航规划等方向。它为研究人员和工程师提供了解该交叉领域最新进展的综合资源。
MotionBERT
MotionBERT是一个多任务人体运动表征学习框架，整合了3D人体姿态估计、基于骨骼的动作识别和人体网格恢复等任务。该项目提供预训练模型和下游任务实现，支持自定义视频推理和生成以人为中心的视频表征。MotionBERT在多个基准测试中展现出优异性能，为人体运动分析研究提供了一个统一且高效的解决方案。
mmpose
MMPose是基于PyTorch的开源姿态估计工具箱，支持2D多人人体姿态估计、手部姿态估计等多种主流任务。该工具箱实现了多个先进的深度学习模型，在训练速度和准确性方面表现出色。MMPose支持COCO、MPII等多个数据集，提供详细文档和API参考。其模块化设计便于用户构建自定义的姿态估计框架，适用于相关研究与应用开发。
lightning-pose
Lightning Pose是一个基于PyTorch Lightning的姿态估计框架，利用NVIDIA DALI加速未标记视频的训练。框架集成了TensorBoard、FiftyOne和Streamlit等评估工具，支持已标记数据和未标记视频的模型训练与评估。项目还提供浏览器应用，涵盖数据标注、模型训练到结果可视化的完整流程。此外，团队开发的Ensemble Kalman Smoother (EKS)后处理器可与多种姿态估计包兼容。
humanplus
HumanPlus是一个开源AI项目，致力于提升人形机器人的影随和模仿能力。项目包含两个主要组件：用于模拟环境强化学习的Humanoid Shadowing Transformer (HST)和用于现实世界模仿学习的Humanoid Imitation Transformer (HIT)。此外，HumanPlus还提供全身姿态估计和相关硬件的代码库，为研究人员和开发者提供完整的技术平台，推动人形机器人与人类互动技术的发展。