OpenPose 训练（实验性）

---

目录

1. 简介
2. 功能
3. 测试
4. 训练
5. 引用
6. 许可证

实验性免责声明

尽管OpenPose 经过充分测试且稳定，但本训练仓库仍属高度实验性质，尚未达到生产级可用。请自担风险使用。

本仓库已在 Ubuntu 16 上搭配 CUDA 8 进行了使用与测试，并可在 Ubuntu 20 与 WSL2（Windows 11）环境下编译。它应能兼容其他版本的 Ubuntu 以及最高至 CUDA 10 的环境，但可能需要进行相应修改。

简介

OpenPose 是 首个能够在单张图像上同时检测人体、手部、面部及足部关键点（共计 135 个关键点）的实时多人系统。

该系统由 Ginés Hidalgo、Zhe Cao、Tomas Simon、Shih-En Wei、Yaadhav Raaj、Hanbyul Joo 以及 Yaser Sheikh 共同研发。目前由 Ginés Hidalgo 和 Yaadhav Raaj 负责维护。OpenPose 的实现离不开 CMU Panoptic Studio 数据集。我们亦谨向所有以各种方式为 OpenPose 提供帮助的人士致以诚挚谢意（详见文档 09_authors_and_contributors.md）。

OpenPose 训练 包含 OpenPose 的训练代码，以及若干可能不会最终纳入 OpenPose 的实验性模型（以免因模型过多而令用户混淆）。

本仓库及其文档假定读者已掌握 OpenPose 的相关知识。若您尚未使用过 OpenPose，则在尝试遵循本文档之前，务必先熟悉该系统。

功能

• OpenPose 的 训练代码。
• 发布若干未被纳入 OpenPose 的 实验性模型。这些模型尚属实验性质，与 OpenPose 官方发布的模型相比，可能存在一定问题。

本项目依据 许可证 的条款授权。 - BODY_135：源自 Single-Network Whole-Body Pose Estimation 的全身姿态估计模型。 - BODY_25B：OpenPose 中 BODY_25 模型的替代方案，精度更高但速度较慢。

实验性模型

experimental_models 目录存放我们的实验性模型，其中包括来自 Single-Network Whole-Body Pose Estimation 的全身模型，以及在 OpenPose 环境中运行该模型的相关说明。更多详情请参阅 experimental_models/README.md。

测试

更多详情请参阅 testing/README.md。

训练

training/ 目录包含多个脚本，用于生成训练脚本并实际训练模型。更多详情请参阅 training/README.md。

验证

validation/ 目录包含多个脚本，用于评估已训练模型的准确性。更多详情请参阅 validation/README.md。

引用

如您的研究需引用，请在论文中注明以下文献（其中面部关键点检测器的训练采用了 [Simon et al. 2017] 中描述的手部处理流程）：

@inproceedings{hidalgo2019singlenetwork,
  author = {Gines Hidalgo and Yaadhav Raaj and Haroon Idrees and Donglai Xiang and Hanbyul Joo and Tomas Simon and Yaser Sheikh},
  booktitle = {ICCV},
  title = {Single-Network Whole-Body Pose Estimation},
  year = {2019}
}

@inproceedings{cao2018openpose,
  author = {Zhe Cao and Gines Hidalgo and Tomas Simon and Shih-En Wei and Yaser Sheikh},
  booktitle = {arXiv preprint arXiv:1812.08008},
  title = {Open{P}ose: realtime multi-person 2{D} pose estimation using {P}art {A}ffinity {F}ields},
  year = {2018}
}

论文链接：

• Single-Network Whole-Body Pose Estimation
• OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

许可证

OpenPose 可免费用于非商业用途，并可在满足以下条件的情况下重新分发。更多详情请参阅 许可证。如您有意获取商业许可，请访问此 FlintBox 链接。如需商业咨询，请通过 FlintBox 链接 的“联系”部分提交请求，并同时将该消息副本发送至 Yaser Sheikh。

openpose_train 快速上手指南（中文）

⚠️ 实验性质：本仓库为实验性训练代码，非生产级，请谨慎使用。

---

环境准备

项目	推荐版本
操作系统	Ubuntu 16.04 / 20.04（WSL2 亦可）
CUDA	8.0 – 10.x
cuDNN	与 CUDA 对应版本
Python	3.6+
CMake	≥ 3.12
GCC	≥ 5.4

国内用户：建议先配置 清华 TUNA 镜像 或 中科大镜像 加速 apt、pip 下载。

---

安装步骤

1. 克隆仓库

   git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose_training.git
   cd openpose_training
   

2. 安装系统依赖

   sudo apt update
   sudo apt install build-essential cmake git pkg-config libatlas-base-dev \
                    libboost-all-dev libopencv-dev python3-dev python3-pip
   

3. 安装 Python 依赖（国内可换清华源）

   pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
   

4. 编译 Caffe（OpenPose 默认后端）

   cd training
   bash scripts/ubuntu/install_caffe.sh
   

5. 验证安装

   python3 -c "import caffe; print('Caffe OK')"
   

---

基本使用

1. 准备数据

将 COCO、MPII 或自定义数据按 training/dataset/README.md 说明放入 training/dataset/。

2. 生成训练脚本

cd training
python3 gen_training_scripts.py \
       --dataset coco \
       --model BODY_25B \
       --output_dir scripts

3. 启动训练

bash scripts/train_BODY_25B.sh

第一次会自动下载 Body_25B 预训练权重**，国内可手动放 BODY_25B 预训练权重**。

4. 验证

python3 gen_validation_scripts.py \
       --dataset coco \
       --output_dir validation

训练完成即可使用实验模型。