--- title: Lightweight_OpenPose-PyTorch-模型库-ModelZoo-昇腾社区 description: Lightweight_OpenPose是对原OpenPose模型的改进版，可实现实时的单图多目标的关键点识别任务。 keywords: Lightweight,OpenPose,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 url: https://www.hiascend.com/software/modelzoo/models/detail/3ec17679f1854c6c90c14b117708abac section: (其他) --- # Lightweight_OpenPose-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/3ec17679f1854c6c90c14b117708abac 描述: Lightweight_OpenPose是对原OpenPose模型的改进版，可实现实时的单图多目标的关键点识别任务。 关键词: Lightweight,OpenPose,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) Lightweight_OpenPose-PyTorch ## Lightweight_OpenPose-PyTorch 位姿估计PyTorch训练2607次浏览2025/12/29更新 获取源码 Lightweight_OpenPose-PyTorch 查看模型源码 ... # 概述 ## 简述 Lightweight_OpenPose是对原OpenPose模型的改进版。在基本思想方面，Lightweight_OpenPose的方法并未有太大的变动。Lightweight_OpenPose的目标是在cpu上实现实时的单图多目标的姿态估计任务。其主要方法是使用小而精的mobilenet作为backbone；使用预训练模型初始化参数；轻量的refinement模块；多refinement模块的训练方法。 - 参考实现： ``` url=https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch.git commit_id=1590929b601535def07ead5522f05e5096c1b6ac ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/pose_estimation ``` # 准备训练环境 ## 准备环境 - 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。 表 1版本支持表 | Torch_Version | 三方库依赖版本 | | --- | ---| | PyTorch 1.5 | torchvision==0.2.2.post3 | | PyTorch 1.8 | torchvision==0.9.1 | | PyTorch 1.11 | torchvision==0.12.0 | | PyTorch 2.1 | torchvision==0.16.0 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。 - 安装依赖。 在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。 ``` pip install -r 1.5_requirements.txt # PyTorch1.5版本 pip install -r 1.8_requirements.txt # PyTorch1.8版本 pip install -r 1.11_requirements.txt # PyTorch1.11版本 pip install -r 2.1_requirements.txt # PyTorch2.1版本 ``` 说明：只需执行一条对应的PyTorch版本依赖安装命令。 ## 准备数据集 1. 获取数据集。 用户自行下载`coco2017`数据集，将数据集上传到服务器任意路径下并解压(假设路径名为`coco_home`)下。 数据集目录结构参考如下所示。 ``` data ├── coco_home |── train2017 ├──图片1 │... ├──图片2 |── val2017 ├──图片1 │... ├──图片2 ├── test2017 ├──图片1 │... ├──图片2 ├── annotations ├person_keypoints_train2017.json ├person_keypoints_val2017.json ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 2. 数据预处理。 - 将训练标准文件转化为内部格式，在主目录下生成文件`prepared_train_annotation.pkl`。 ``` python3 scripts/prepare_train_labels.py --labels /annotations/person_keypoints_train2017.json ``` - 从完整的5000样本数量的验证集中随机生成一个样本量250的子集。在主目录下生成文件`val_subset.json`。 ``` python3 scripts/make_val_subset.py --labels /annotations/person_keypoints_val2017.json ``` ## 获取预训练模型 请用户自行获取预训练模型，将获取的`mobilenet_sgd_68.848.pth.tar`预训练模型放置在源码包根目录下。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。 - 单机单卡训练 启动单卡训练。 ``` # 单卡性能 bash ./test/train_performance_1p.sh --data_path= # 单卡精度 # train 1p full,模型经过三步step训练，依次执行以下脚本 # step one,结果位于主目录下文件夹“step_one_checkpoints” bash ./test/train_full_1p.sh --data_path= --step=1 # step two,结果位于主目录下文件夹“step_two_checkpoints” bash ./test/train_full_1p.sh --data_path= --step=2 # step three,结果位于主目录下文件夹“step_three_checkpoints” bash ./test/train_full_1p.sh --data_path= --step=3 ``` - 单机8卡训练 启动8卡训练。 ``` # 8卡性能 # train 8p performance,结果位于主目录下文件夹“perf_8p_checkpoints” bash ./test/train_performance_8p.sh --data_path= # 8卡精度 # train 8p full,模型经过三步step训练，依次执行以下脚本 # step one,结果位于主目录下文件夹“step_one_checkpoints” bash ./test/train_full_8p.sh --data_path= --step=1 # step two,结果位于主目录下文件夹“step_two_checkpoints” bash ./test/train_full_8p.sh --data_path= --step=2 # step three,结果位于主目录下文件夹“step_three_checkpoints” bash ./test/train_full_8p.sh --data_path= --step=3 ``` - 验证阶段 启动单卡验证。 ``` # 验证各阶段的最佳模型的精度，依次执行以下脚本 # eval step one,结果位于主目录下文件夹“eval_step1” bash ./test/eval.sh --data_path= --step=1 --device_id=0 --checkpoint_path=./step_one_checkpoints/model_best.pth # eval step two,结果位于主目录下文件夹“eval_step2” bash ./test/eval.sh --data_path= --step=2 --device_id=1 --checkpoint_path=./step_two_checkpoints/model_best.pth # eval step three,结果位于主目录下文件夹“eval_step3” bash ./test/eval.sh --data_path= --step=3 --device_id=2 --checkpoint_path=./step_three_checkpoints/model_best.pth ``` 说明：训练的脚本需要在前一步骤结束后再接着启动。因为依赖于前一步保存的模型。验证的脚本使用单卡验证，所以训练完成后，可以分别启动三个脚本在不同卡上运行。单次验证时间约为3小时。 --data_path参数填写数据集路径，需写到数据集的一级目录。 --step：模型三步训练中第几步。 --device_id：指定卡号。 --checkpoint_path：已训练模型权重路径。 模型训练脚本参数说明如下。 ``` 公共参数： --from-mobilenet // 模型名称 --train-images-folder // 数据集路径 --prepared-train-labels // 预先生成的格式化文件 --val-labels // 验证数据集标签 --val-images-folder // 验证数据集目录 --checkpoint-path // 已训练模型权重路径 --base-lr // 初始学习率 --batch_size // 训练批次大小 --print-freq // 打印频率 --experiment-name // 训练步骤第几步 --epochs // 重复训练次数 --addr // 集合通信IP --rank // 节点排名 --dist-url // 分布式通信url --amp // 使用混合精度 --opt-level // apex优化器级别 --loss-scale // apex loss缩放比例值 --device // 使用设备 --num-workers // 加载数据线程数 --gpu // 使用卡号 --world-size // 总进程数 --dist-backend // 使用后台 ``` 训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。 # 训练结果展示 表 2训练结果展示表 step-3阶段结果 | NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | - | 254.017 | 1 | O1 | 1.5 | | 8p-竞品V | 0.413 | 1536.977 | 280 | O1 | 1.5 | | 1p-NPU-ARM | - | 403.674 | 1 | O1 | 1.8 | | 8p-NPU-ARM | 0.4289 | 2538.278 | 280 | O1 | 1.8 | | 1p-NPU-非ARM | - | 475.648 | 1 | O1 | 1.8 | | 8p-NPU-非ARM | - | 1214.179 | 280 | O1 | 1.8 | 8p-NPU上各阶段训练后的模型精度 | Acc@1 | step | Npu_nums | Epochs | AMP_Type | | --- | --- | --- | --- | ---| | 0.3973 | 1 | 8 | 280 | O1 | | 0.4132 | 2 | 8 | 280 | O1 | | 0.4289 | 3 | 8 | 280 | O1 | 说明：以上精度结果为执行train_full_8p.sh脚本所得的验证集的结果。 # 版本说明 ## 变更 2022.7.24：首次发布。 ## 已知问题 无。 | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| 暂无数据 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)