从零开始的目标检测和关键点检测（三）：训练一个Glue的RTMPose模型

这篇具有很好参考价值的文章主要介绍了从零开始的目标检测和关键点检测（三）：训练一个Glue的RTMPose模型。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

从零开始的目标检测和关键点检测（一）：用labelme标注数据集

从零开始的目标检测和关键点检测（二）：训练一个Glue的RTMDet模型

一、重写config文件

1、数据集类型即coco格式的数据集，在dataset_info声明classes、keypoint_info(关键点)、skeleton_info(骨架信息)。

dataset_type = 'CocoDataset'
data_mode = 'topdown'
data_root = 'E:\\pythonproject\\mmdetection\\data\\glue_134_Keypoint\\'

# glue关键点检测数据集-元数据
dataset_info = {
    'dataset_name':'glue_134_Keypoint',
    'classes':'glue',
    'keypoint_info':{
        0:{'name':'head','id':0,'color':[255,0,0],'type': '','swap': ''},
        1:{'name':'tail','id':1,'color':[0,255,0],'type': '','swap': ''},
    },
    'skeleton_info': {
        0: {'link':('head','tail'),'id': 0,'color': [100,150,200]},
    }
}

2、训练参数

# 训练超参数
max_epochs = 200 # 训练 epoch 总数
val_interval = 10 # 每隔多少个 epoch 保存一次权重文件
train_cfg = {'max_epochs': max_epochs, 'val_interval': val_interval}
train_batch_size = 32
val_batch_size = 8
stage2_num_epochs = 20
base_lr = 4e-3
randomness = dict(seed=21)

# 优化器
optim_wrapper = dict(
    type='OptimWrapper',
    optimizer=dict(type='AdamW', lr=base_lr, weight_decay=0.05),
    paramwise_cfg=dict(
        norm_decay_mult=0, bias_decay_mult=0, bypass_duplicate=True))

# 学习率
param_scheduler = [
    dict(
        type='LinearLR', start_factor=1.0e-5, by_epoch=False, begin=0, end=20),
    dict(
        # use cosine lr from 210 to 420 epoch
        type='CosineAnnealingLR',
        eta_min=base_lr * 0.05,
        begin=max_epochs // 2,
        end=max_epochs,
        T_max=max_epochs // 2,
        by_epoch=True,
        convert_to_iter_based=True),
]

# automatically scaling LR based on the actual training batch size
auto_scale_lr = dict(base_batch_size=1024)

3、模型定义、数据预处理、数据加载

详细见源码。

二、开始训练

1、开始训练

python tools/train.py data/glue_134_Keypoint/rtmpose-t-glue.py

2、训练结果

07/27 14:34:07 - mmengine - INFO - Epoch(val) [200][6/6]    \
coco/AP: 0.851412  coco/AP .5: 1.000000  coco/AP .75: 1.000000  coco/AP (M): -1.000000 \
coco/AP (L): 0.857120  coco/AR: 0.892683  coco/AR .5: 1.000000  coco/AR .75: 1.000000  \
coco/AR (M): -1.000000  coco/AR (L): 0.892683  \
PCK: 1.000000  AUC: 0.789634  NME: 0.013435  data_time: 0.044700  time: 0.070389

测试一下训练结果

topdown测试 RTMDet + RTMPose

python demo/topdown_demo_with_mmdet.py \
    E:\\pythonproject\\mmdetection\\data\\glue_134_Keypoint\\rtmdet_tiny_glue.py \
    E:\\pythonproject\\mmdetection\\work_dirs\\rtmdet_tiny_glue\\best_coco_bbox_mAP_epoch_180.pth \
    data/glue_134_Keypoint/rtmpose-t-glue.py \
    work_dirs/rtmpose-t-glue/best_PCK_epoch_90.pth \
    --input data/glue_134_Keypoint/test_image/img.png \
    --output-root data/glue_134_Keypoint/test_image/result/ \
    --device cpu \
    --bbox-thr 0.5 \
    --kpt-thr 0.5 \
    --nms-thr 0.3 \
    --radius 5 \
    --thickness 5 \
    --draw-bbox  \
    --draw-heatmap \
    --show-kpt-idx

从零开始的目标检测和关键点检测（三）：训练一个Glue的RTMPose模型,目标检测,目标检测,算法,人工智能
Pose测试 RTMPose，即手动把glue截出来再丢到网络里

python demo/image_demo.py data/glue_134_Keypoint/test_image/img_2.png \
    data/glue_134_Keypoint/rtmpose-t-glue.py \
    work_dirs/rtmpose-t-glue/best_PCK_epoch_90.pth \
    --out-file data/glue_134_Keypoint/test_image/result_2.png \
    --draw-heatmap

从零开始的目标检测和关键点检测（三）：训练一个Glue的RTMPose模型,目标检测,目标检测,算法,人工智能
3、训练过程可视化