模型概述
模型特點
模型能力
使用案例
🚀 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。









