Vitpose Plus Large

🚀 VitPose模型卡片

ViTPose是用於人體姿態估計的簡單視覺Transformer基線模型，ViTPose++則是用於通用人體姿態估計的視覺Transformer基礎模型。該模型在MS COCO關鍵點測試開發集上達到了81.1的平均精度（AP）。

🚀 快速開始

使用以下代碼開始使用該模型：

import torch
import requests
import numpy as np

from PIL import Image

from transformers import (
    AutoProcessor,
    RTDetrForObjectDetection,
    VitPoseForPoseEstimation,
)

device = "cuda" if torch.cuda.is_available() else "cpu"

url = "http://images.cocodataset.org/val2017/000000000139.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# ------------------------------------------------------------------------
# Stage 1. Detect humans on the image
# ------------------------------------------------------------------------

# You can choose detector by your choice
person_image_processor = AutoProcessor.from_pretrained("PekingU/rtdetr_r50vd_coco_o365")
person_model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r50vd_coco_o365", device_map=device)

inputs = person_image_processor(images=image, return_tensors="pt").to(device)

with torch.no_grad():
    outputs = person_model(**inputs)

results = person_image_processor.post_process_object_detection(
    outputs, target_sizes=torch.tensor([(image.height, image.width)]), threshold=0.3
)
result = results[0]  # take first image results

# Human label refers 0 index in COCO dataset
person_boxes = result["boxes"][result["labels"] == 0]
person_boxes = person_boxes.cpu().numpy()

# Convert boxes from VOC (x1, y1, x2, y2) to COCO (x1, y1, w, h) format
person_boxes[:, 2] = person_boxes[:, 2] - person_boxes[:, 0]
person_boxes[:, 3] = person_boxes[:, 3] - person_boxes[:, 1]

# ------------------------------------------------------------------------
# Stage 2. Detect keypoints for each person found
# ------------------------------------------------------------------------

image_processor = AutoProcessor.from_pretrained("usyd-community/vitpose-plus-large")
model = VitPoseForPoseEstimation.from_pretrained("usyd-community/vitpose-plus-large", device_map=device)

inputs = image_processor(image, boxes=[person_boxes], return_tensors="pt").to(device)

with torch.no_grad():
    outputs = model(**inputs)

pose_results = image_processor.post_process_pose_estimation(outputs, boxes=[person_boxes], threshold=0.3)
image_pose_result = pose_results[0]  # results for first image

for i, person_pose in enumerate(image_pose_result):
    print(f"Person #{i}")
    for keypoint, label, score in zip(
        person_pose["keypoints"], person_pose["labels"], person_pose["scores"]
    ):
        keypoint_name = model.config.id2label[label.item()]
        x, y = keypoint
        print(f" - {keypoint_name}: x={x.item():.2f}, y={y.item():.2f}, score={score.item():.2f}")

輸出：

Person #0
 - Nose: x=428.25, y=170.88, score=0.98
 - L_Eye: x=428.76, y=168.03, score=0.97
 - R_Eye: x=428.09, y=168.15, score=0.82
 - L_Ear: x=433.28, y=167.72, score=0.95
 - R_Ear: x=440.77, y=166.66, score=0.88
 - L_Shoulder: x=440.52, y=177.60, score=0.92
 - R_Shoulder: x=444.64, y=178.11, score=0.70
 - L_Elbow: x=436.64, y=198.21, score=0.92
 - R_Elbow: x=431.42, y=201.19, score=0.76
 - L_Wrist: x=430.96, y=218.39, score=0.98
 - R_Wrist: x=419.95, y=213.27, score=0.85
 - L_Hip: x=445.33, y=222.93, score=0.77
 - R_Hip: x=451.91, y=222.52, score=0.75
 - L_Knee: x=443.31, y=255.61, score=0.83
 - R_Knee: x=451.42, y=255.03, score=0.84
 - L_Ankle: x=447.76, y=287.33, score=0.68
 - R_Ankle: x=456.78, y=286.08, score=0.83
Person #1
 - Nose: x=398.23, y=181.74, score=0.89
 - L_Eye: x=398.31, y=179.77, score=0.84
 - R_Eye: x=395.99, y=179.46, score=0.91
 - R_Ear: x=388.95, y=180.24, score=0.86
 - L_Shoulder: x=397.35, y=194.22, score=0.73
 - R_Shoulder: x=384.50, y=190.86, score=0.58

✨ 主要特性

• 性能出色：在MS COCO關鍵點測試開發集上取得了81.1的AP成績。
• 結構簡單：採用簡單且非分層的視覺Transformer作為骨幹網絡。
• 可擴展性強：模型參數可從1億擴展到10億。
• 靈活性高：在注意力類型、輸入分辨率、預訓練和微調策略等方面具有很高的靈活性。
• 知識可遷移：大模型的知識可通過簡單的知識令牌輕鬆遷移到小模型。

📚 詳細文檔

模型詳情

儘管在設計中未考慮特定領域知識，但普通視覺Transformer在視覺識別任務中表現出色。然而，在揭示這種簡單結構在姿態估計任務中的潛力方面，人們所做的工作較少。在本文中，作者通過一個名為ViTPose的簡單基線模型，從多個方面展示了普通視覺Transformer在姿態估計方面的驚人能力，即模型結構簡單、模型大小可擴展、訓練範式靈活以及模型間知識可遷移。具體而言，ViTPose採用普通且非分層的視覺Transformer作為骨幹網絡，為給定的人體實例提取特徵，並使用輕量級解碼器進行姿態估計。藉助Transformer可擴展的模型容量和高並行性，其參數可從1億擴展到10億，在吞吐量和性能之間達到了新的帕累托最優。此外，ViTPose在注意力類型、輸入分辨率、預訓練和微調策略以及處理多姿態任務方面非常靈活。作者還通過實驗證明，大型ViTPose模型的知識可通過簡單的知識令牌輕鬆遷移到小型模型。實驗結果表明，基本的ViTPose模型在具有挑戰性的MS COCO關鍵點檢測基準上優於代表性方法，而最大的模型則創造了新的最優成績，即在MS COCO測試開發集上達到了80.9的AP。代碼和模型可在https://github.com/ViTAE-Transformer/ViTPose 獲取。

模型描述

這是一個已推送到Hugging Face Hub的🤗 transformers模型的模型卡片，該模型卡片是自動生成的。

• 開發者：Yufei Xu、Jing Zhang、Qiming Zhang、Dacheng Tao
• 資助方：ARC FL - 170100117和IH - 180100002
• 許可證：Apache - 2.0
• 移植到🤗 Transformers的人員：Sangbum Choi和Niels Rogge

模型來源

• 原始倉庫：https://github.com/ViTAE-Transformer/ViTPose
• 論文：https://arxiv.org/pdf/2204.12484
• 演示：https://huggingface.co/spaces?sort=trending&search=vitpose

模型用途

由ViTAE - Transformer團隊開發的ViTPose模型主要用於姿態估計任務，以下是該模型的一些直接應用：

• 人體姿態估計：可用於估計圖像或視頻中人體的姿態，識別頭部、肩部、肘部、手腕、臀部、膝蓋和腳踝等關鍵身體關節的位置。
• 動作識別：通過分析一段時間內的姿態，幫助識別各種人類動作和活動。
• 監控：在安全和監控應用中，可用於監控和分析公共場所或私人場所中的人類行為。
• 健康與健身：可用於健身應用程序，跟蹤和分析運動姿勢，提供關於姿勢和技巧的反饋。
• 遊戲和動畫：可集成到遊戲和動畫系統中，創建更逼真的角色動作和交互。

偏差、風險和侷限性

在本文中，作者提出了一個簡單而有效的用於姿態估計的視覺Transformer基線模型ViTPose。儘管在結構上沒有精心設計，但ViTPose在MS COCO數據集上取得了最優性能。然而，ViTPose的潛力尚未通過更先進的技術（如複雜解碼器或FPN結構）得到充分挖掘，這些技術可能會進一步提高其性能。此外，儘管ViTPose展示了諸如簡單性、可擴展性、靈活性和可遷移性等令人興奮的特性，但仍需進行更多的研究工作，例如探索基於提示的微調，以進一步展示其靈活性。此外，作者認為ViTPose也可應用於其他姿態估計數據集，如動物姿態估計和麵部關鍵點檢測。這些將作為未來的工作方向。

訓練詳情

訓練數據

作者使用MS COCO、AI Challenger、MPII和CrowdPose數據集進行訓練和評估。OCHuman數據集僅用於評估階段，以衡量模型在處理遮擋人體時的性能。

• MS COCO數據集：包含118K張圖像和150K個人體實例，每個實例最多有17個關鍵點註釋，該數據集遵循CC - BY - 4.0許可證。
• MPII數據集：遵循BSD許可證，包含15K張圖像和22K個人體實例，每個實例最多註釋16個人體關鍵點。
• AI Challenger數據集：規模更大，包含超過200K張訓練圖像和350個人體實例，每個實例最多註釋14個關鍵點。
• OCHuman數據集：包含大量遮擋的人體實例，僅用於驗證和測試集，包括4K張圖像和8K個實例。

訓練超參數

• 訓練方案：

速度、大小和時間

評估

OCHuman驗證和測試集

為了評估人體姿態估計模型在嚴重遮擋人體實例上的性能，作者在OCHuman驗證和測試集上使用真實邊界框對ViTPose變體和代表性模型進行了測試。由於OCHuman數據集中並非所有人體實例都有註釋，使用額外的人體檢測器會導致大量“誤報”邊界框，無法反映姿態估計模型的真實能力，因此作者未採用額外的人體檢測器。具體而言，使用了對應於MS COCO數據集的ViTPose解碼器頭，因為MS COCO和OCHuman數據集中的關鍵點定義相同。

MPII驗證集

作者在MPII驗證集上使用真實邊界框評估了ViTPose和代表性模型的性能。遵循MPII的默認設置，使用PCKh作為性能評估指標。

評估結果

模型架構和目標

硬件

模型基於mmpose代碼庫在8個A100 GPU上進行訓練。

引用

BibTeX：

@article{xu2022vitposesimplevisiontransformer,
  title={ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation},
  author={Yufei Xu and Jing Zhang and Qiming Zhang and Dacheng Tao},
  year={2022},
  eprint={2204.12484},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2204.12484}
}
@misc{xu2023vitposevisiontransformergeneric,
      title={ViTPose++: Vision Transformer for Generic Body Pose Estimation}, 
      author={Yufei Xu and Jing Zhang and Qiming Zhang and Dacheng Tao},
      year={2023},
      eprint={2212.04246},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2212.04246}, 
}

📄 許可證

本項目採用Apache - 2.0許可證。