MMPose 关键点半自动标注：5 步跑通实战

MMPose 关键点半自动标注5 步跑通实战【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose数据集到 5000 张还在一张张手标单人 17 个关键点加上框和分割纯人工标注不仅慢遇到遮挡、密集多人场景时一致性还会崩。MMPose 在工具箱里内置了一整套关键点标注工具链人工侧对接 Label Studio半自动侧提供让姿态模型先做一遍、人工只改错的伪标签脚本全部落在tools/目录拿来即用。工具定位模型粗标人工改错一句话定位Label Studio 负责标MMPose 负责脏活。Label Studio 本身无法把关键点数据直接导出成 MMPose 需要的 COCO 格式tools/dataset_converters/labelstudio2coco.py补上了这个缺口而tools/misc/下的伪标签脚本则让检测模型先出框、姿态模型先出点人只修错。与纯人工标注平台的区别就在这一点——参考文章给出的估算里千张图片的全流程周期从约 24 天压到 6 天以内。几个关键默认值先记住关键点置信度阈值--kpt-thr 默认 0.3检测框 NMS 阈值默认 0.65一个实例需要关键点、框、分割三类标注齐全。最小可用的标注路径从零到跑通只需 5 步每步一条命令或一个动作装环境MMPose 依赖 OpenMMLab 全家桶用 mim 最省事pip install openmim mim install mmpose配置 Label Studio 标注界面项目 Settings → Labeling Interface 粘贴官方示例 XML必须包含KeyPointLabels、PolygonLabels、RectangleLabels三种标签且标注顺序严格关键点在前、框或分割在后完整示例见 docs/zh_cn/user_guides/label_studio.md。模型先跑一遍检测模型出框RTMPose 出伪标签# 1) 目标检测先生成人体 bbox python tools/misc/generate_bbox_file.py det_config det_weight data/bbox.json \ --score-thr 0.5 --nms-thr 0.65 # 2) RTMPose 过一遍输出 COCO 伪标签 python tools/misc/keypoints2coco_without_mmdet.py \ configs/body_2d_keypoint/rtmpose/coco/rtmpose-m_8xb256-420e_coco-256x192.py \ ckpt --json-file data/bbox.json --img-root data/imgs \ --out-json-file data/pseudo.json --kpt-thr 0.3人工修正把伪标签结果导入 Label Studio重点修遮挡关节、偏移的框和多人混淆点。转换与校验导出 JSON 转 COCO再可视化抽查# config.xml 即标注界面 Code 内容 python tools/dataset_converters/labelstudio2coco.py config.xml export.json data/coco.json # 抽样浏览标注结果 python tools/misc/browse_dataset.py train_config --not-show --output-dir data/vis把图片文件夹和result.json放在同一目录COCO 数据集就成型了。进阶能力按场景挑策略密集多人场景框重叠时先收紧--score-thr0.5 起步往上试再看 NMS仍混乱就换 bottom-up 模型出点。遮挡关键点Label Studio 无法标可见性转换脚本默认把非零点可见性置 2、原点 (0,0) 视为不可见0——所以被完全挡住的关节可以不标脚本会正确处理。质量提升主动学习 ≈ 先全量做一遍再挑错题重点练。按伪标签里关键点得分低的图像排序优先人工复核这批模型没把握的样本比平均用力省时间。大规模处理按场景类型室内/室外、人体密度拆分批次并行标注每批用browse_dataset.py抽样校验后再合流。策略适用规模人工成本质量纯人工标注1k 张高最高、最一致伪标签 全量人工复核1k–10k中高适合正式数据集伪标签 抽检修正10k低够用需定期抽检防漂移高频坑与解法现象可能原因快速验证处理方向转换后实例缺 bbox/segmentation标注顺序不是关键点在前转换脚本日志会出现 warning按 关键点→框/分割 顺序重标对照 label_studio 文档图片与标注对不上Label Studio 截断过长文件名导出 COCO 格式比对图片目录使用 COCO 导出压缩包内的图片文件夹别用原上传文件伪标签大量被丢弃--kpt-thr过高降到 0.1 重跑对比输出 annotation 数量0.3 保干净要召回就降阈值后人工筛密集场景出框重复--score-thr过低提到 0.6 重跑数框与 NMS 默认 0.65 联动调整看不出标注对错没有可视化环节browse_dataset.py --not-show导出图用--mode original/transformed对照原图选型建议按规模分层如果你只有几百张Label Studio 纯人工 转换脚本即可伪标签是可选加速项别过度设计。如果是1k–10k 的中等规模直接走本文最小路径伪标签全量出点、人工全量复核这是性价比最高的一档。如果是万级以上按场景与人体密度拆批并行叠加低置信度优先修正的主动学习策略每批校验通过再合流。需要说明的是本文没覆盖3D 关键点/网格标注、视频逐帧时序一致性校验以及多人实时协同标注平台——3D 相关可另行参考仓库中 H3.6M 等数据集的配置与文档。收尾MMPose 标注工具链的价值就一句话模型粗标、人工改错、脚本校验把标注从体力活变成审核活。跑通 5 步路径后建议顺手读一遍 docs/zh_cn/user_guides/label_studio.md 和数据集准备文档再看demo/inferencer_demo.py验证你的数据能直接喂给推理接口。【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考