Github
论文项目介绍
TF-SimpleHumanPose项目是一项基于TensorFlow的实现，用于进行多人2D姿态估计和跟踪。这一项目的基础是微软研究院在2018年ECCV会议上提出的“简单基线”技术，能够从单张RGB图像中估计出多人的姿态。
项目提供内容
- TensorFlow实现： 提供简单基线的TensorFlow实现，具有灵活且简单的代码结构。
- 数据集兼容性： 兼容大多数公开的2D多人姿态估计数据集，如MPII、PoseTrack 2018和MS COCO 2017。
- 可视化功能： 提供姿态估计的可视化代码，基于Facebook开放的Detectron修改而成。
依赖条件
运行该项目需要安装以下软件：
- TensorFlow
- CUDA和cuDNN（用于GPU加速）
- Anaconda（用于Python环境管理）
- COCO API
目录结构
项目目录结构需要按照如下格式组织：
根目录
${POSE_ROOT}
|-- data
|-- lib
|-- main
|-- tool
`-- output
data文件夹存储数据加载及图像、标注的软链接。lib为姿态估计算法的核心代码。main中包含训练和测试网络的高层代码。tool提供数据集转换功能，支持MPII和PoseTrack格式到COCO格式的转换。output包含训练日志、模型、可视化输出及测试结果。
运行指南
开始
首先，需要安装必要的模块和构建非极大值抑制（NMS）模块：
pip install -r requirement.txt
cd ${POSE_ROOT}/lib && make
然后，可以通过修改main/config.py调整模型设置，如数据集、网络骨干以及输入尺寸等。
训练模型
要在GPU上进行训练，请在main目录下运行以下命令：
python train.py --gpu 0-1
如果想要继续某个实验，使用：
python train.py --gpu 0-1 --continue
测试模型
在测试时需将训练的模型置于output/model_dump/$DATASET/目录下，并准备好人体检测结果human_detection.json文件放在data/$DATASET/dets/。
运行以下命令进行测试：
python test.py --gpu 0-1 --test_epoch 140
结果展示
根据项目和原论文，在MS COCO和PoseTrack数据集上的实验结果显示，该方法在多人姿态估计中具备良好的表现。
问题排查
对于可能出现的内存增长问题，可以通过增加graph.finalize方法解决。如果遇到测试阶段文件缺失的错误，需确保人体检测结果已正确准备。
致谢
这个项目在很大程度上吸取了来自TensorFlow CPN和PyTorch Simple项目的代码思路。
通过这些资源，TF-SimpleHumanPose项目为研究人员和开发者提供了一个有效的平台，可以在关注多人姿态估计的应用上进行进一步研究和开发。
