how to run demo.py? about adaptivepose HOT 15 CLOSED

adapt_pts 是预测的adaptive point，目前demo.py还不支持，我马上提供一个demo.py。

from adaptivepose.

@buptxyb666
这个adapt_pts 应该就是中间的节点的， 我要训练自己的数据集的话，这种怎么设置比较好呢？

from adaptivepose.

训练自己的数据集的话直接把你的标签转换成coco提供的json格式就可以了，我下午最晚明天会提供demo.py。

from adaptivepose.

@buptxyb666 >
这个我已经训完了， 现在应该，就是人体的你分为好几个部分的adpt_pts, 但我只需要四个点， 还有这个算法有没有跟yolopose比呢， 论文中好像没有。

from adaptivepose.

目前最新的指标在这个repo的第二个表格中，之前没太关注yolopose这个工作，刚才看了下，之前的指标已经超过他最好的结果了，目前最新的指标更是。

from adaptivepose.

adpt_pts的设置经验的话，基本把在结构上距离比较近的点设置成一个part就ok了。

from adaptivepose.

目前最新的指标在这个repo的第二个表格中，之前没太关注yolopose这个工作，刚才看了下，之前的指标已经超过他最好的结果了，目前最新的指标更是。

这个还得看下模型大小，adpt_pts的设置经验 我目前是随机取了一个对称左右，其他的都删掉了， 后期可能还要好好学习一下你的代码。

from adaptivepose.

AdaptivePose的parameters跟input resolution在更小的情况下都取得了更好的结果，你可以去看他的table2，比如adaptivepose_dla_34: 22M 512 pixels 67.0 AP V.S. YOLOv5m6-pose: 41.4M 960 pixels 66.3 AP。

如果你的四个点很远的话，可以每个点都分为一个part，效果会更好。

from adaptivepose.

@buptxyb666 上面那个也是我的号， 就是想继续问一下。
我看到新加了oks loss ， [我之前在centernet上也加了，但好像没有什么提升
/src/lib/utils/post_preocess.py中的muti_pose_wodet_post_process_vis函数中的36: 这个数据代表什么呢？
还有reshape(-1,16) 这个 16 代表啥。人体关键点17 。
demo运行的时候 ， 还是adapt_pts为[]然后在detector/muti_pose_wodet.py:88 行adap_pts /= scale * meta['sf'] 报错

from adaptivepose.

关于OKS-loss：1. 没有提升可能是你loss本身实现有问题，或者对area的变换有错误。2. 实现正确的情况下，如果不能提升是因为centernet本身仅仅把直接回归的结果作为初始预测，后续还用了heatmap detection来优化，加上oks loss仅仅是把直接回归出来的结果有所提升，但是上限还是不能超过heatmap detection，所以带来的好处被heatmap优化给覆盖掉了。

adaptivepose使用了两跳回归，而且实验证实了上限也略高于heatmap检测结果，所以在推理时不再需要heatmap，oks_loss的效果也能显现出来。

from adaptivepose.

刚才已经提交了更新，demo现在应该可以用了。reshape(-1,16) 是adapt_pts，这块包括了center和7个adaptive points八个点的坐标。

from adaptivepose.

36:的数据是预测的center和7个adaptive points。

from adaptivepose.

36:的数据是预测的center和7个adaptive points。

@buptxyb666 谢谢 我再试试

from adaptivepose.

这个 我也想过是这个问题

from adaptivepose.

刚才已经提交了更新，demo现在应该可以用了。reshape(-1,16) 是adapt_pts，这块包括了center和7个adaptive points八个点的坐标。
谢谢可以跑通了。

from adaptivepose.