库名称：transformers
许可证：apache-2.0
任务标签：关键点检测

ViTPose模型卡片

ViTPose：用于人体姿态估计的简单视觉Transformer基线，以及ViTPose++：通用人体姿态估计的视觉Transformer基础模型。该模型在MS COCO关键点测试开发集上取得了81.1 AP的成绩。

模型详情

尽管在设计中没有考虑特定的领域知识，但普通的视觉Transformer在视觉识别任务中表现出了卓越的性能。然而，很少有人尝试揭示这种简单结构在姿态估计任务中的潜力。在本文中，我们通过一个名为ViTPose的简单基线模型，从模型结构的简单性、模型大小的可扩展性、训练范式的灵活性以及模型间知识的可迁移性等多个方面展示了普通视觉Transformer在姿态估计任务中出人意料的优秀能力。具体来说，ViTPose采用普通且非分层的视觉Transformer作为骨干网络，为给定的人体实例提取特征，并使用轻量级解码器进行姿态估计。通过利用Transformer的可扩展模型容量和高并行性，ViTPose的参数可以从100M扩展到1B，在吞吐量和性能之间建立了新的帕累托前沿。此外，ViTPose在注意力类型、输入分辨率、预训练和微调策略以及处理多个姿态任务方面非常灵活。我们还通过实验证明，大型ViTPose模型的知识可以通过简单的知识令牌轻松迁移到小型模型中。实验结果表明，我们的基础ViTPose模型在具有挑战性的MS COCO关键点检测基准上优于代表性方法，而最大的模型则创下了新的最先进水平，即在MS COCO测试开发集上达到了80.9 AP。代码和模型可在https://github.com/ViTAE-Transformer/ViTPose获取。

模型描述

这是🤗 transformers模型的一个模型卡片，该模型已被推送到Hub上。此模型卡片是自动生成的。

• 开发者： Yufei Xu, Jing Zhang, Qiming Zhang, Dacheng Tao
• 资助者： ARC FL-170100117和IH-180100002。
• 许可证： Apache-2.0
• 移植到🤗 Transformers： Sangbum Choi和Niels Rogge

模型来源

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

用途

ViTPose模型由ViTAE-Transformer团队开发，主要用于姿态估计任务。以下是该模型的一些直接用途：

• 人体姿态估计： 该模型可用于估计图像或视频中的人体姿态。这包括识别头部、肩膀、肘部、手腕、臀部、膝盖和脚踝等关键身体关节的位置。
• 动作识别： 通过分析随时间变化的姿态，该模型可以帮助识别各种人类动作和活动。
• 监控： 在安全和监控应用中，ViTPose可用于监控和分析公共场所或私人场所的人类行为。
• 健康和健身： 该模型可用于健身应用程序中，跟踪和分析运动姿态，提供关于姿势和技巧的反馈。
• 游戏和动画： ViTPose可以集成到游戏和动画系统中，以创建更真实的角色动作和互动。

偏见、风险和限制

在本文中，我们提出了一个简单而有效的视觉Transformer基线用于姿态估计，即ViTPose。尽管在结构上没有精心设计，ViTPose在MS COCO数据集上获得了最先进的性能。然而，ViTPose的潜力尚未通过更先进的技术（如复杂解码器或FPN结构）得到充分探索，这些技术可能会进一步提高性能。此外，尽管ViTPose展示了简单性、可扩展性、灵活性和可迁移性等令人兴奋的特性，但还可以进行更多的研究工作，例如探索基于提示的调整以进一步展示ViTPose的灵活性。此外，我们相信ViTPose也可以应用于其他姿态估计数据集，例如动物姿态估计和面部关键点检测。我们将这些工作留作未来的研究方向。

如何开始使用该模型

使用以下代码开始使用该模型。

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)  

# ------------------------------------------------------------------------  
# 阶段1. 检测图像中的人  
# ------------------------------------------------------------------------  

# 您可以选择您喜欢的检测器  
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]  # 取第一张图像的结果  

# 人体标签在COCO数据集中对应索引0  
person_boxes = result["boxes"][result["labels"] == 0]  
person_boxes = person_boxes.cpu().numpy()  

# 将框从VOC格式（x1, y1, x2, y2）转换为COCO格式（x1, y1, w, h）  
person_boxes[:, 2] = person_boxes[:, 2] - person_boxes[:, 0]  
person_boxes[:, 3] = person_boxes[:, 3] - person_boxes[:, 1]  

# ------------------------------------------------------------------------  
# 阶段2. 为检测到的每个人检测关键点  
# ------------------------------------------------------------------------  

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]  # 第一张图像的结果  

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}")  

输出：

Person #0  
 - 鼻子: x=428.25, y=170.88, score=0.98  
 - 左眼: x=428.76, y=168.03, score=0.97  
 - 右眼: x=428.09, y=168.15, score=0.82  
 - 左耳: x=433.28, y=167.72, score=0.95  
 - 右耳: x=440.77, y=166.66, score=0.88  
 - 左肩: x=440.52, y=177.60, score=0.92  
 - 右肩: x=444.64, y=178.11, score=0.70  
 - 左肘: x=436.64, y=198.21, score=0.92  
 - 右肘: x=431.42, y=201.19, score=0.76  
 - 左腕: x=430.96, y=218.39, score=0.98  
 - 右腕: x=419.95, y=213.27, score=0.85  
 - 左臀: x=445.33, y=222.93, score=0.77  
 - 右臀: x=451.91, y=222.52, score=0.75  
 - 左膝: x=443.31, y=255.61, score=0.83  
 - 右膝: x=451.42, y=255.03, score=0.84  
 - 左踝: x=447.76, y=287.33, score=0.68  
 - 右踝: x=456.78, y=286.08, score=0.83  
Person #1  
 - 鼻子: x=398.23, y=181.74, score=0.89  
 - 左眼: x=398.31, y=179.77, score=0.84  
 - 右眼: x=395.99, y=179.46, score=0.91  
 - 右耳: x=388.95, y=180.24, score=0.86  
 - 左肩: x=397.35, y=194.22, score=0.73  
 - 右肩: x=384.50, y=190.86, score=0.58  

训练详情

训练数据

数据集详情。我们使用MS COCO [28]、AI Challenger [41]、MPII [3]和CrowdPose [22]数据集进行训练和评估。OCHuman [54]数据集仅用于评估阶段，以衡量模型在处理遮挡人体时的性能。MS COCO数据集包含118K图像和150K人体实例，每个实例最多有17个关键点注释，用于训练。该数据集采用CC-BY-4.0许可证。MPII数据集采用BSD许可证，包含15K图像和22K人体实例用于训练。该数据集中每个实例最多有16个人体关键点注释。AI Challenger更大，包含超过200K训练图像和350个人体实例，每个实例最多有14个关键点注释。OCHuman包含严重遮挡的人体实例，仅用于验证和测试集，包括4K图像和8K实例。

训练超参数

• 训练方案：

速度、大小和时间

评估

OCHuman验证和测试集。为了评估人体姿态估计模型在严重遮挡人体实例上的性能，我们在OCHuman验证和测试集上使用真实边界框测试了ViTPose变体和代表性模型。我们没有采用额外的人体检测器，因为并非所有人体实例都在OCHuman数据集中标注，人体检测器会产生大量“假阳性”边界框，无法反映姿态估计模型的真实能力。具体来说，我们使用了与MS COCO数据集对应的ViTPose解码头，因为MS COCO和OCHuman数据集的关键点定义相同。

MPII验证集。我们在MPII验证集上使用真实边界框评估了ViTPose和代表性模型的性能。按照MPII的默认设置，我们使用PCKh作为性能评估指标。

结果

模型架构和目标

硬件

模型基于mmpose代码库在8块A100 GPU上训练。

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