做openpose已經做了兩個月了，精度和速度都還沒有提上去，但是還是要總結一下。

人體姿態估計（pose estimation）的目標

   實時地對圖片中每個人的姿態進行精準的估計。總結起來，就是實時的多人姿態精準估計

現狀

    實時的演算法精度不高，精度高的演算法慢的要死。

    openpose——比較快，比較準

     cpn——慢，準（pass，在實際場景中，慢等於沒用）

     poseNet——快，不準（pass，不準更沒啥用了）

 openpose的原理

    輸入一張圖片，經過一個backbone（比如vgg，resnet，mobilenet），在經過6個stage，每個stage有2個branch，一個用來檢測heatmap，一個用來檢測vectmap。有了heatmap和vectmap就可以知道圖片中所有的關鍵點，但是不知道這些關鍵點都是哪個人的，PAFs把這些點對應到每個人身上。end

openpose的訓練

   資料集：coco，MPII，AIC，PoseTrack

    硬體要求：至少4  個 gpu以上（GPU不充裕的，可以直接用原作者公佈的caffe模型，我訓練了倆月精度都沒趕上他們）

openpose的程式碼（tensorflow版本）

    這倆月學到了啥，就是程式碼能力吧。之前就是隻會訓練MNIST，我就以為自己會深度學習了。原始碼比這個難100倍，不過，道理是相同的。我聽過那麼多道理，依然寫不好程式碼，想哭......

（1）下載資料集

1.coco資料集的標註是什麼形式

2.coco資料集API使用 

3.json檔案的讀和寫      

（2）資料處理

1.關鍵點從COCO的格式轉為openpose的格式

2. 生成heatmap

3.生成vectmap

（3）多執行緒資料增強

1.多執行緒

2.資料增強

（4）dataflow資料讀入

1.入隊和出隊

（5）網路定義

1.網路基礎函式的定義

2.網路定義

3.loss函式

（6）多GPU訓練

1.多GPU訓練的流程

（7）模型儲存，恢復以及視覺化

1.模型和日誌的儲存

2.訓練的視覺化

3.模型的恢復

4.模型掛載在伺服器上訓練

（8）模型轉freeze pb

1.模型的釋出

（9）資料後處理

（10）模型測試+opencv顯示

整體流程就這麼多。。。。

寫完流程我就不想寫細節了。。。

隨後再補
--------------------- 
作者：餓二餓二餓 
來源：CSDN 
原文：https://blog.csdn.net/eereere/article/details/81151756 
版權宣告：本文為博主原創文章，轉載請附上博文連結！