LegPoseDetector

LegPoseDetector es un software que nace como modificación de AlphaPose, buscando centrarse en la detección de las piernas de las personas.

LegPoseDetector añade las siguientes características:

• Cálculo y visualización del ángulo de cada pierna.
• Límite del número máximo de personas a detectar.
• Carga de resultados desde fichero JSON.

Instalación

# 0. Crear directorio virtual (opcional)
python3 -m venv directorio_virtual
source directorio_virtual/bin/activate

# 1. Actualizar pip  
pip install --upgrade pip

# 2. Instalar PyTorch  
pip3 install torch==1.1.0 torchvision==0.3.0

# 3. Obtener el proyecto
git clone https://github.com/enaes05/LegPoseDetector.git
cd LegPoseDetector

# 4. Configurar path de CUDA  
export PATH=/usr/local/cuda/bin/:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64/:$LD_LIBRARY_PATH

# 5. Instalar dependencias  
pip install cython
sudo apt-get install libyaml-dev
pip install -r requirements.txt
python setup.py build develop --user
# La opción --user podría no funcionar, en ese caso
# usar el mismo comando sin dicha opción

Preparación

1. Para descargar el detector de objetos: yolov3-spp.weights(Google Drive | Baidu pan). Se coloca en detector/yolo/data.

2. Para descargar el identificador de pose: JDE-1088x608-uncertainty(Google Drive | Baidu pan). Se coloca en detector/tracker/data.

3. Se debe descargar la base de datos de imágenes con sus respectivas anotaciones desde COCO.

4. Los modelos entrenados de este proyecto se pueden descargar desde Google Drive. Los modelos pueden guardarse en cualquier carpeta, ya que al usarlos luego se selecciona su ubicación. Al realizar ejecuciones de test, cada modelo debe usarse junto al fichero de configuración con el que se ha entrenado. Dichos ficheros de configuración están el subdirectorio configs, y se usan los siguientes para los modelos que se ofrecen:

Modelo	Fichero de configuración
fastpose_dcn.pth	fastpose_dcn.yaml
fastpose_duc_shuffle.pth	fastpose_duc_shuffle.yaml

Para cada modelo se exponen también sus métricas, para consultar sus parámetros se pueden observar sus respectivos ficheros de configuración:

Modelo	MSE (Loss)	Accuracy	mAP (GT)	mAP (RCNN)
fastpose_dcn.pth	0.000487	0.7939	0.5950	0.6899
fastpose_duc_shuffle.pth	0.000469	0.8122	0.5960	0.6873

Prueba rápida

Si queremos hacer una prueba rápida para comprobar los resultados del programa al estimar la pose, podemos usar la siguiente imagen:

Se utilizará el modelo con arquitectura FastPose + DUC (Shuffle), que puede obtenerse en el paso 4 del apartado de Preparación. El comando sería el siguiente:

python3 ./scripts/test.py --save_img --detbatch 1 --posebatch 30 --cfg ./configs/exp1/fastpose_duc_shuffle.yaml --checkpoint fastpose_duc_shuffle.pth --image try_me.jpg

El resultado debería ser el siguiente, se guarda por defecto en el directorio /examples/res/vis:

Cómo entrenar

python3 ./scripts/train.py --cfg fichero_configuracion --exp-id identificador_entrenamiento

Cómo validar

python3 ./scripts/validate.py --cfg fichero_configuracion --checkpoint modelo --gpus gpus_a_usar --batch 20

Cómo testear imágenes

python3 ./scripts/test.py --cfg fichero_configuracion --checkpoint modelo --save_img --detbatch 1 --posebatch 30 --image archivo_imagen

Las imágenes se guardan por defecto en /examples/res/vis. Para cambiar el directorio, se usa el parámeto --outdir directory.

Cómo testear vídeos

python3 ./scripts/test.py --cfg fichero_configuracion --checkpoint modelo --save_video --detbatch 1 --posebatch 30 --video archivo_video

Los vídeos se guardan por defecto en /examples/res. Para cambiar el directorio, se usa el parámeto --outdir directory.

Visualizar pose desde fichero JSON

python3 ./scripts/test.py --cfg fichero_configuracion --checkpoint modelo --save_img --detbatch 1 --posebatch 30 --image archivo_imagen --json archivo_json