[OpenmmLab AI实训营第二期] -day3

[毛鳄鱼]

RTMPose关键点检测

预备工作

在学习本科RTMPose之前，我通过我们的助教老师李哥，了解到一个开源平台。

Colab:Colab是一种基于云计算平台的、免费的协作式笔记本工具。它提供了类似于Jupyter Notebook的界面，但具有许多强大的功能，如Python编程环境、GPU支持、代码协作的能力等。使用Colab，无需在本地安装任何软件或配置环境，只需要一个Google账户即可开始工作。用户可以在Colab上创建、分享和协作计算文档，使用者可以通过Colab轻松地上传、运行和分享Python代码、数据分析和机器学习任务，这使得这款工具成为学习数据科学的好工具。
在苦恼于自己的C盘因为装深度学习相关配置文件经常爆满的情况下！

Colab还是非常不错的。而且还可以白嫖GPU算力等。本次的RTMPose关键点课程我采用Colab进行测试学习。

#先检查一下
# check NVCC version
!nvcc -V

# check GCC version
!gcc --version

# check python in conda environment
!which python

#这个是用来检查系统中的 CUDA 编译器（NVCC）和 GCC 版本是否正确安装以及conda环境中的Python路径。这对于深度学习和其他GPU加速计算的项目非常有用。
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Wed_Sep_21_10:33:58_PDT_2022
Cuda compilation tools, release 11.8, V11.8.89
Build cuda_11.8.r11.8/compiler.31833905_0
gcc (Ubuntu 9.4.0-1ubuntu1~20.04.1) 9.4.0
Copyright (C) 2019 Free Software Foundation, Inc.
This is free software; see the source for copying conditions.  There is NO
warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.

/usr/local/bin/python

随时查看安装包的版本及其cuda的版本对深度学习过程非常有用，并且一旦出现问题也是一个排查问题的方法和途径。

安装RTMPose必备包

!pip3 install install torch==1.10.1+cu113 torchvision==0.11.2+cu113 torchaudio==0.10.1+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html
!pip install -U openmim
!mim install mmengine
!mim install 'mmcv==2.0.0rc3'
!mim install "mmdet>=3.0.0rc6"
!pip install opencv-python pillow matplotlib seaborn tqdm pycocotools -i https://pypi.tuna.tsinghua.edu.cn/simple
# 从 github 上下载最新的 mmpose 源代码
!git clone https://github.com/open-mmlab/mmpose.git -b tutorial2023
!mim install -e .

检测是否成功开始了GPU模式

import torch

if torch.cuda.is_available():
    print('GPU已启用')
else:

使用我自己的一张照片测试一个HRNet模型的关键点估计
![img](https://img-community.csdnimg.cn/images/70cce74600c4432eaefdb04aa8e9fee7.png "#left")
从图中可以看出效果很好，我的主要部位以及关键点都被标注出来。

# 多人检测问题
**先粗略调 后精细小框调整**
![img](https://img-community.csdnimg.cn/images/08f847e9239c46af9047c56314985b78.png "#left")

在这里说一下 一定不要乱装环境 不然真的会出问题的！
# 三角板关键点检测项目



- R-CNN三角板目标检测

- RTMDet-Tin三角板目标检测
针对两种训练模型我们只需要更改


```python
dataset_type =''
data_root = ''
metainfo ={'':{}}
NUM_CLASSES = len(metainfo{''})

关键点检测的前提是目标检测把Bbox捕捉到！
热力图的显示对目标检测和关键点的检测有一定的可解释性！
还得自己好好学学如何运行别人的项目 这个很重要！