5000张图要标关键点一个人标到过年用MMPose预标注5天出头收工【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose假设你接到一个活儿给 5000 张姿态图标关键点每张图一个人 17 个点。纯人工的话单张要耗 15 分钟以上标到明年过年都标不完。而 OpenMMLab 开源的姿态估计工具箱MMPose自带一套关键点标注工具链——先用预训练模型自动预标注人只负责纠错。读完这篇你能拿到一套完整的自动预标注 人工修正 一键转 COCO 格式流程1000 张图原本要干近一个月现在五天出头就能收工。这种人群多、有遮挡的图恰恰是纯人工标注最吃亏的地方一张图 15 分钟起步1 万张量级时人力成本呈指数上涨而且两人标同一张图的一致性Kappa 系数两人标注一致性的打分≥0.7 才算靠谱经常不到 0.7。一分钟读懂 MMPose 是干嘛的它负责关键点标注里机器初标的部分预训练模型自动给出每个关节的初始位置和置信度你只管修正少数对不齐的点。适合谁需要建姿态估计、动作识别数据集又不想花几周纯手标的工程师和数据标注负责人。几个先说在前面的数字都是基于 COCO 验证集的口径单张图自动标注2 秒以内模型辅助标注准确率92% 以上定位误差可控制在3 像素以内人工标注的关节点误差率普遍超过 8%整体效率提升3 到 5 倍以 1000 张为例纯人工是 1 天备料 5 天框选 15 天标点 3 天质检约 24 天半自动化是模型半天出初稿、人花 3 天修正、转换脚本几分钟跑完总计约5.7 天效率从哪来、质量怎么保三步跑通批量预标注⚡ 核心思路就三步先跑通再调优加载 RTMPose 预训练模型速度精度平衡型configs 目录下就有rtmpose-m_8xb256-420e_coco-256x192.py这类配置把图片目录逐张喂给inference_topdown接口拿到每个关节点和置信度结果存成 JSON导入 Label Studio 供人工修正最小可执行版本权重文件放当前目录即可from glob import glob from mmpose.apis import init_model, inference_topdown model init_model(configs/body_2d_keypoint/rtmpose/coco/rtmpose-m_8xb256-420e_coco-256x192.py, rtmpose-m.pth) for img in glob(data/raw/*.jpg): results inference_topdown(model, img) # 每个元素是 PoseDataSample # 关节点/置信度在 results[i].pred_instances.keypoints / .keypoint_scores人工修正环节怎么分工先说结论模型初稿 人工终稿是目前唯一稳的姿势。全交给模型不可行全手工不划算。把人省下来的时间集中花在机器最容易翻车的三类地方被挡住的关节比如被手臂挡住的肘部置信度低的地方优先看小人、模糊图检测框偏了关键点跟着偏多人交互场景两个人的关节点容易互相串修正在 Label Studio一个开源自部署的标注平台里做。注意它的标注约定每个实例必须以关键点开头、以非关键点结尾且关键点顺序要和 MMPose 配置文件里dataset_info的顺序、数量完全一致。顺序错了不会报错但结果会看起来对、其实全错这个坑下面还会再提一次。一键把 Label Studio 结果转成 COCOLabel Studio 没法直接导出 MMPose 训练要的 COCO 格式仓库里备了现成的转换脚本tools/dataset_converters/labelstudio2coco.pypython tools/dataset_converters/labelstudio2coco.py \ label_interface.xml export.json result.json三个参数标签接口 XML、Label Studio 导出的 JSON、输出路径不存在会自动建。转完后把图片文件夹和result.json放同一目录就是标准 COCO 数据集了。想肉眼验收可以跑python tools/misc/browse_dataset.py 训练配置 --output-dir vis/把标注画回图上逐张看。另外tools/misc/generate_bbox_file.py可以用目标检测模型批量产出候选框keypoints2coco_without_mmdet.py则适合不想装检测器的轻量流程。从零上手路径强调先跑通、再调优别一开始就纠结选哪个最优模型拿代码git clone https://gitcode.com/GitHub_Trending/mm/mmpose装环境新建 conda 环境python 3.8 起步安装requirements.txt再用 mim 装mmengine mmcv mmdet放权重下载 RTMPose-m 的预训练权重放到工作目录跑预标注把上面那段代码里的图片目录换成你的目录跑完抽几张看看导入修正自动结果导进 Label Studio按关节被挡、框偏、多人三类重点过一遍转换验收labelstudio2coco.py转格式browse_dataset.py可视化检查进阶技巧与两个高频坑难例优先用主动学习挑图省得你踩坑提前说别按顺序标先标高置信度低的。把每张图所有关键点的平均置信度取出来排序置信度最低的 20% 先送人工——模型自己都拿不准的图正是人工标注价值最大的地方。这样同样的工时标注集质量上限更高。多模型融合标注 单个模型不够用就组合RTMPose 速度快、单人效果好用它跑全量初稿TopDown HRNet 精度高但推理慢只对难例密集人群、小目标补跑一遍最后把两路结果合并、按置信度取舍。坑一关键点偏移现象标好的点偏离真实位置 5 个像素以上肉眼能看出漂了。根因模型输入分辨率偏低且预标注阶段同类样本太少模型对这类姿态不熟。解法调高模型输入分辨率同时补一批同类样本做标注让模型在迭代里追上。坑二密集场景多人体混淆现象视频序列标注时两个人的 ID 在相邻帧之间来回切换关节点互相串。根因纯靠单帧模型猜帧间没有身份关联遮挡多时超过 3 个关键点被挡就更容易猜错。解法启用跟踪算法把相邻帧关联起来重灾区用 3D 姿态模型辅助或按肢体结构约束推断被挡点的位置。经验阈值纯人工标注的 Kappa 系数常低于 0.7引入预标注后再做交叉质检一致性基本能稳住。收束直接能执行的5条建议不到千张图别上预标注全人工更快预标注的建模成本不划算1k~10k 张直接套基础流程RTMPose 预标注 Label Studio 人工修正 labelstudio2coco 转格式万级以上必须配主动学习 任务拆分按场景类型室内/室外、人体密度稀疏/密集分片标注进度用tools/analysis_tools/analyze_logs.py跟踪关节点误差率超 8% 时先查输入分辨率和预标注模型别急着找标注员问责标注结果做增量保存 版本控制推荐用 DVC 管理改错了能回滚【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 5000张图要标关键点，一个人标到过年？用MMPose预标注5天出头收工
5000张图要标关键点一个人标到过年用MMPose预标注5天出头收工【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose假设你接到一个活儿给 5000 张姿态图标关键点每张图一个人 17 个点。纯人工的话单张要耗 15 分钟以上标到明年过年都标不完。而 OpenMMLab 开源的姿态估计工具箱MMPose自带一套关键点标注工具链——先用预训练模型自动预标注人只负责纠错。读完这篇你能拿到一套完整的自动预标注 人工修正 一键转 COCO 格式流程1000 张图原本要干近一个月现在五天出头就能收工。这种人群多、有遮挡的图恰恰是纯人工标注最吃亏的地方一张图 15 分钟起步1 万张量级时人力成本呈指数上涨而且两人标同一张图的一致性Kappa 系数两人标注一致性的打分≥0.7 才算靠谱经常不到 0.7。一分钟读懂 MMPose 是干嘛的它负责关键点标注里机器初标的部分预训练模型自动给出每个关节的初始位置和置信度你只管修正少数对不齐的点。适合谁需要建姿态估计、动作识别数据集又不想花几周纯手标的工程师和数据标注负责人。几个先说在前面的数字都是基于 COCO 验证集的口径单张图自动标注2 秒以内模型辅助标注准确率92% 以上定位误差可控制在3 像素以内人工标注的关节点误差率普遍超过 8%整体效率提升3 到 5 倍以 1000 张为例纯人工是 1 天备料 5 天框选 15 天标点 3 天质检约 24 天半自动化是模型半天出初稿、人花 3 天修正、转换脚本几分钟跑完总计约5.7 天效率从哪来、质量怎么保三步跑通批量预标注⚡ 核心思路就三步先跑通再调优加载 RTMPose 预训练模型速度精度平衡型configs 目录下就有rtmpose-m_8xb256-420e_coco-256x192.py这类配置把图片目录逐张喂给inference_topdown接口拿到每个关节点和置信度结果存成 JSON导入 Label Studio 供人工修正最小可执行版本权重文件放当前目录即可from glob import glob from mmpose.apis import init_model, inference_topdown model init_model(configs/body_2d_keypoint/rtmpose/coco/rtmpose-m_8xb256-420e_coco-256x192.py, rtmpose-m.pth) for img in glob(data/raw/*.jpg): results inference_topdown(model, img) # 每个元素是 PoseDataSample # 关节点/置信度在 results[i].pred_instances.keypoints / .keypoint_scores人工修正环节怎么分工先说结论模型初稿 人工终稿是目前唯一稳的姿势。全交给模型不可行全手工不划算。把人省下来的时间集中花在机器最容易翻车的三类地方被挡住的关节比如被手臂挡住的肘部置信度低的地方优先看小人、模糊图检测框偏了关键点跟着偏多人交互场景两个人的关节点容易互相串修正在 Label Studio一个开源自部署的标注平台里做。注意它的标注约定每个实例必须以关键点开头、以非关键点结尾且关键点顺序要和 MMPose 配置文件里dataset_info的顺序、数量完全一致。顺序错了不会报错但结果会看起来对、其实全错这个坑下面还会再提一次。一键把 Label Studio 结果转成 COCOLabel Studio 没法直接导出 MMPose 训练要的 COCO 格式仓库里备了现成的转换脚本tools/dataset_converters/labelstudio2coco.pypython tools/dataset_converters/labelstudio2coco.py \ label_interface.xml export.json result.json三个参数标签接口 XML、Label Studio 导出的 JSON、输出路径不存在会自动建。转完后把图片文件夹和result.json放同一目录就是标准 COCO 数据集了。想肉眼验收可以跑python tools/misc/browse_dataset.py 训练配置 --output-dir vis/把标注画回图上逐张看。另外tools/misc/generate_bbox_file.py可以用目标检测模型批量产出候选框keypoints2coco_without_mmdet.py则适合不想装检测器的轻量流程。从零上手路径强调先跑通、再调优别一开始就纠结选哪个最优模型拿代码git clone https://gitcode.com/GitHub_Trending/mm/mmpose装环境新建 conda 环境python 3.8 起步安装requirements.txt再用 mim 装mmengine mmcv mmdet放权重下载 RTMPose-m 的预训练权重放到工作目录跑预标注把上面那段代码里的图片目录换成你的目录跑完抽几张看看导入修正自动结果导进 Label Studio按关节被挡、框偏、多人三类重点过一遍转换验收labelstudio2coco.py转格式browse_dataset.py可视化检查进阶技巧与两个高频坑难例优先用主动学习挑图省得你踩坑提前说别按顺序标先标高置信度低的。把每张图所有关键点的平均置信度取出来排序置信度最低的 20% 先送人工——模型自己都拿不准的图正是人工标注价值最大的地方。这样同样的工时标注集质量上限更高。多模型融合标注 单个模型不够用就组合RTMPose 速度快、单人效果好用它跑全量初稿TopDown HRNet 精度高但推理慢只对难例密集人群、小目标补跑一遍最后把两路结果合并、按置信度取舍。坑一关键点偏移现象标好的点偏离真实位置 5 个像素以上肉眼能看出漂了。根因模型输入分辨率偏低且预标注阶段同类样本太少模型对这类姿态不熟。解法调高模型输入分辨率同时补一批同类样本做标注让模型在迭代里追上。坑二密集场景多人体混淆现象视频序列标注时两个人的 ID 在相邻帧之间来回切换关节点互相串。根因纯靠单帧模型猜帧间没有身份关联遮挡多时超过 3 个关键点被挡就更容易猜错。解法启用跟踪算法把相邻帧关联起来重灾区用 3D 姿态模型辅助或按肢体结构约束推断被挡点的位置。经验阈值纯人工标注的 Kappa 系数常低于 0.7引入预标注后再做交叉质检一致性基本能稳住。收束直接能执行的5条建议不到千张图别上预标注全人工更快预标注的建模成本不划算1k~10k 张直接套基础流程RTMPose 预标注 Label Studio 人工修正 labelstudio2coco 转格式万级以上必须配主动学习 任务拆分按场景类型室内/室外、人体密度稀疏/密集分片标注进度用tools/analysis_tools/analyze_logs.py跟踪关节点误差率超 8% 时先查输入分辨率和预标注模型别急着找标注员问责标注结果做增量保存 版本控制推荐用 DVC 管理改错了能回滚【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