MMPose 推理实战指南：MMPoseInferencer 统一接口与底层 Python 推理 API 详解

MMPose 推理实战指南：MMPoseInferencer 统一接口与底层 Python 推理 API 详解

【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose

本文基于 MMPose 官方用户指南《使用现有模型进行推理》，系统讲解 MMPose 执行姿态估计推理的两种接口——面向快速上手的统一推理器MMPoseInferencer（含 CLI 工具、结果转储、可视化与全部参数说明、模型别名体系）和面向深度定制的底层 Python 推理 API（init_model/inference_topdown/ 可视化器）。读完后，你可以用别名一行代码完成人体/手部/面部/动物/全身/3D 姿态推理，也可以在自己的管线中精细控制输入边界框、数据样本与可视化输出。

两种推理接口概览

MMPose 为姿态估计提供了大量预测训练好的模型（模型清单可参考仓库根目录的 model-index.yml）。针对“如何使用训练好的模型对图像或视频运行姿态估计”，MMPose 提供了两种推理接口：

两条路线的核心实现都位于 mmpose/apis 目录：推理器实现见 mmpose/apis/inferencers，底层 API 实现见 mmpose/apis/inference.py 与 mmpose/apis/visualization.py。

推理器：统一的推理接口

MMPose 提供了一个被称为MMPoseInferencer（mmpose/apis/inferencers/mmpose_inferencer.py）的、全面的推理 API。这个 API 使得用户得以使用所有 MMPose 支持的模型来对图像和视频进行模型推理。此外，该 API 可以完成推理结果自动化，并方便用户保存预测结果。

从源码结构看，MMPoseInferencer是一个“门面”类：它在构造函数中根据参数选择底层推理器——指定pose3d时构建Pose3DInferencer（含hand3d时构建Hand3DInferencer），指定pose2d时构建Pose2DInferencer（mmpose/apis/inferencers/mmpose_inferencer.py）。而preprocess（数据准备）、forward（模型前向）、visualize（可视化）、postprocess（结果打包与转储）四阶段的公共逻辑则集中在基类 BaseMMPoseInferencer 中实现。

基本用法

MMPoseInferencer可以在任何 Python 程序中被用来执行姿态估计任务。以下是在 Python Shell 中使用预训练的人体姿态模型对给定图像进行推理的示例：

from mmpose.apis import MMPoseInferencer img_path = 'tests/data/coco/000000000785.jpg' # 将img_path替换给你自己的路径 # 使用模型别名创建推理器 inferencer = MMPoseInferencer('human') # MMPoseInferencer采用了惰性推断方法，在给定输入时创建一个预测生成器 result_generator = inferencer(img_path, show=True) result = next(result_generator)

如果一切正常，你将在一个新窗口中看到输入图像上叠加估计姿态（关键点 + 骨架）的可视化窗口。

result变量是一个包含两个键'visualization'和'predictions'的字典：

• 'visualization'键对应的值是一个列表：
  • 包含可视化结果，例如输入图像、估计姿态的标记，以及可选的预测热图。
  • 如果没有指定return_vis参数，该列表将保持为空。
• 'predictions'键对应的值是一个包含每张图像、每个检测实例预估关键点的列表。

result字典的结构如下所示：

result = { 'visualization': [ # 元素数量：batch_size（默认为1） vis_image_1, ... ], 'predictions': [ # 每张图像的姿态估计结果 # 元素数量：batch_size（默认为1） [ # 每个检测到的实例的姿态信息 # 元素数量：检测到的实例数 {'keypoints': ..., # 实例 1 'keypoint_scores': ..., ... }, {'keypoints': ..., # 实例 2 'keypoint_scores': ..., ... }, ] ... ] }

这段结果打包逻辑可以在 BaseMMPoseInferencer.postprocess 中得到印证：默认情况下预测会被split_instances拆分为可 JSON 序列化的实例字典列表；如果传入return_datasamples=True，则会保留原始的PoseDataSample对象。单元测试 test_mmpose_inferencer.py 中同样断言了results1['predictions'][0][0]含有 17 个 COCO 关键点，以及return_datasamples=True时返回PoseDataSample类型。

命令行界面工具（CLI）：inferencer_demo.py

除了 Python 接口，还可以使用命令行界面工具 demo/inferencer_demo.py。这个工具允许用户使用以下命令使用相同的模型和输入执行推理：

python demo/inferencer_demo.py 'tests/data/coco/000000000785.jpg' \ --pose2d 'human' --show --pred-out-dir 'predictions'

预测结果将被保存在路径predictions/000000000785.json。作为 API，inferencer_demo.py的输入参数与MMPoseInferencer相同：源码中parse_args()（demo/inferencer_demo.py）把参数划分为初始化参数（--pose2d、--pose2d-weights、--pose3d、--pose3d-weights、--det-model、--det-weights、--det-cat-ids、--scope、--device、--show-progress）和调用参数（--show、--bbox-thr、--nms-thr、--pose-based-nms、--kpt-thr、--radius、--thickness、--skeleton-style、--vis-out-dir、--pred-out-dir等），最终通过MMPoseInferencer(**init_args)加inferencer(**call_args)完成推理，与 Python 接口完全一致。

该 CLI 能够处理一系列输入类型：

• 图像路径
• 视频路径
• 文件夹路径（这会导致该文件夹中的所有图像都被推断出来）
• 表示图像的 numpy array（在命令行界面工具中未支持）
• 表示图像的 numpy array 列表（在命令行界面工具中未支持）
• 摄像头（在这种情况下，输入参数应该设置为webcam或webcam:{CAMERA_ID}）

源码中，输入归一化由 BaseMMPoseInferencer._inputs_to_list 完成：字符串路径会被识别为目录（仅收集其中的图像文件并排序）、视频（通过mmcv.VideoReader逐帧读取）或单张图像；numpy 数组则被包装为单元素列表。对于摄像头输入，_get_webcam_inputs 会解析webcam:id格式（省略 id 时默认为 0），并按帧产出 BGR 图像。

当输入对应于多个图像时，例如输入为视频或文件夹路径时，推理生成器必须被遍历，以便推理器对视频/文件夹中的所有帧/图像进行推理。以下是一个示例：

folder_path = 'tests/data/coco' result_generator = inferencer(folder_path, show=True) results = [result for result in result_generator]

在这个示例中，inferencer接受folder_path作为输入，并返回一个生成器对象（result_generator），用于生成推理结果。通过遍历result_generator并将每个结果存储在results列表中，你可以获得视频/文件夹中所有帧/图像的推理结果。

对于视频输入还有一个源码级细节：所有帧的预测会先在内部缓冲（video_info['predictions']），推理结束后由 _finalize_video_processing 统一写出——可视化结果合成一个与输入同名的.mp4视频，预测结果则合并为单个 JSON 文件（每帧带frame_id字段），而不是逐帧一个文件（源码）。

自定义姿态估计模型

MMPoseInferencer提供了几种可用于自定义所使用的模型的方法：

# 使用模型别名构建推理器 inferencer = MMPoseInferencer('human') # 使用模型配置名构建推理器 inferencer = MMPoseInferencer('td-hm_hrnet-w32_8xb64-210e_coco-256x192') # 使用 3D 模型配置名构建推理器 inferencer = MMPoseInferencer(pose3d="motionbert_dstformer-ft-243frm_8xb32-120e_h36m") # 使用模型配置文件和权重文件的路径或 URL 构建推理器 inferencer = MMPoseInferencer( pose2d='configs/body_2d_keypoint/topdown_heatmap/coco/' \ 'td-hm_hrnet-w32_8xb64-210e_coco-256x192.py', pose2d_weights='https://download.openmmlab.com/mmpose/top_down/' \ 'hrnet/hrnet_w32_coco_256x192-c78dce93_20200708.pth' )

也就是说，pose2d参数可以接受三种形式：模型别名（如'human'）、metafile 中定义的配置名（如'td-hm_hrnet-w32_8xb64-210e_coco-256x192'）、或直接指向配置文件的相对/绝对路径；当使用配置名且未显式提供pose2d_weights时，权重将从 metafile 自动加载。

上述代码为 2D 模型推理器的构建例子。3D 模型的推理器可以用类似的方式通过pose3d参数构建：

# 使用 3D 模型别名构建推理器 inferencer = MMPoseInferencer(pose3d="human3d") # 使用 3D 模型配置名构建推理器 inferencer = MMPoseInferencer(pose3d="motionbert_dstformer-ft-243frm_8xb32-120e_h36m") # 使用 3D 模型配置文件和权重文件的路径或 URL 构建推理器 inferencer = MMPoseInferencer( pose3d='configs/body_3d_keypoint/motionbert/h36m/' \ 'motionbert_dstformer-ft-243frm_8xb32-120e_h36m.py', pose3d_weights='https://download.openmmlab.com/mmpose/v1/body_3d_keypoint/' \ 'pose_lift/h36m/motionbert_ft_h36m-d80af323_20230531.pth' )

此外，自顶向下的姿态估计器还需要一个对象检测模型。MMPoseInferencer能够推断用 MMPose 支持的数据集训练的模型的实例类型，然后构建必要的对象检测模型。这个“自动推断”机制的实现在 BaseMMPoseInferencer._init_detector 中：它会从姿态模型配置的数据集类型解析出目标类别（human / face / hand / animal 等），再从 default_det_models.py 的默认映射表取出对应的检测器配置、权重与类别 id；映射表覆盖human（RTMDet-m，person 类别）、face（YOLOX-s，face 类别）、hand、animal（COCO 动物类别 15-23）等。用户也可以通过以下方式手动指定检测模型：

# 通过别名指定检测模型 # 可用的别名包括“human”、“hand”、“face”、“animal”、 # 以及mmdet中定义的任何其他别名 inferencer = MMPoseInferencer( # 假设姿态估计器是在自定义数据集上训练的 pose2d='custom_human_pose_estimator.py', pose2d_weights='custom_human_pose_estimator.pth', det_model='human' ) # 使用模型配置名称指定检测模型 inferencer = MMPoseInferencer( pose2d='human', det_model='yolox_l_8x8_300e_coco', det_cat_ids=[0], # 指定'human'类的类别id ) # 使用模型配置文件和权重文件的路径或URL构建推理器 inferencer = MMPoseInferencer( pose2d='human', det_model=f'{PATH_TO_MMDET}/configs/yolox/yolox_l_8x8_300e_coco.py', det_weights='https://download.openmmlab.com/mmdetection/v2.0/' \ 'yolox/yolox_l_8x8_300e_coco/' \ 'yolox_l_8x8_300e_coco_20211126_140236-d3bd2b23.pth', det_cat_ids=[0], # 指定'human'类的类别id )

需要注意：top-down 推理器依赖 MMDetection 提供的DetInferencer（需要 mmdet 3.0.0 及以上版本），这一点在 BaseMMPoseInferencer 的导入兼容处理中可见；若检测到数据集类型不在默认映射表内（例如全图类数据集），也可以通过det_model='whole_image'关闭检测器，直接以整图作为边界框。

转储结果

在执行姿态估计推理任务之后，你可能希望保存结果以供进一步分析或处理。本节将指导你将预测的关键点和可视化结果保存到本地。

要将预测保存在JSON 文件中，在运行MMPoseInferencer实例inferencer时使用pred_out_dir参数：

result_generator = inferencer(img_path, pred_out_dir='predictions') result = next(result_generator)

预测结果将以 JSON 格式保存在predictions/文件夹中，每个文件以相应的输入图像或视频的名称命名（源码中文件名为输入路径的 basename 加上.json，见 postprocess）。

对于更高级的场景，还可以直接从inferencer返回的result字典中访问预测结果。其中，predictions包含输入图像或视频中每个单独实例的预测关键点列表。然后，你可以使用你喜欢的方法操作或存储这些结果。

请记住，如果你想将可视化图像和预测文件保存在一个文件夹中，你可以使用out_dir参数：

result_generator = inferencer(img_path, out_dir='output') result = next(result_generator)

在这种情况下，依据 MMPoseInferencer.call的实现，可视化图像将保存在output/visualizations/文件夹中，而预测将存储在output/predictations/文件夹中（当未单独指定vis_out_dir/pred_out_dir时，二者会被自动设置为f'{out_dir}/visualizations'和f'{out_dir}/predictions'）。

可视化

推理器inferencer可以自动对输入的图像或视频进行预测。可视化结果可以显示在一个新的窗口中，并保存在本地。

要在新窗口中查看可视化结果，使用show=True。请注意：

• 如果输入视频来自网络摄像头，默认情况下将在新窗口中显示可视化结果，以此让用户看到输入——源码中对webcam输入会强制打开显示模式，并给出相应警告（mmpose_inferencer.py）。
• 如果平台上没有 GUI，这个步骤可能会卡住。

要将可视化结果保存在本地，可以像这样指定vis_out_dir参数：

result_generator = inferencer(img_path, vis_out_dir='vis_results') result = next(result_generator)

输入图片或视频的可视化预测结果将保存在vis_results/文件夹中。

在开头展示的滑雪图中，姿态的可视化估计结果由关键点（用实心圆描绘）和骨架（用线条表示）组成。这些视觉元素的默认大小可能不会产生令人满意的结果。用户可以使用radius和thickness参数来调整圆的大小和线的粗细，如下所示：

result_generator = inferencer(img_path, show=True, radius=4, thickness=2) result = next(result_generator)

从源码看，这些参数在 BaseMMPoseInferencer.visualize 中生效：radius会赋值给可视化器的visualizer.radius，thickness赋值给visualizer.line_width；默认值为radius=3、thickness=1、kpt_thr=0.3（关键点分数阈值，低于该值的关键点不绘制）。此外还有black_background=True可在纯黑背景上绘制姿态（img = img * 0），适合单独导出骨架动画。

推理器参数

MMPoseInferencer提供了各种自定义姿态估计、可视化和保存预测结果的参数。源码中，所有调用参数会按四个白名单集合被分发到对应阶段（preprocess_kwargs、forward_kwargs、visualize_kwargs、postprocess_kwargs，见 mmpose_inferencer.py），不属于任何集合的键会被直接过滤掉——这也是自定义参数时“不报错但不生效”的原因。

下面是初始化推理器时可用的参数列表及对这些参数的描述：

推理器被设计用于可视化和保存预测。以下表格列出了在使用MMPoseInferencer进行推断时可用的参数列表，以及它们与 2D 和 3D 推理器的兼容性：

补充两个源码中可查证的预处理参数：bbox_thr（边界框分数阈值，默认 0.3）与nms_thr（边界框 IoU 阈值，默认 0.3）作用于 top-down 预处理阶段（Pose2DInferencer.preprocess_single）；对 bottom-up 模型，这两个值会被直接写入模型 head 的test_cfg（score_thr/nms_thr，见 base_mmpose_inferencer.py），用于过滤预测。forward阶段还有merge_results（top-down 多边界框结果合并）与pose_based_nms（基于邻近关节数去重的 NMS，见 pose2d_inferencer.py），后者在 CLI 中默认对yoloxpose、rtmo类 one-stage 模型启用（demo/inferencer_demo.py）。

skeleton_style的生效位置在 Pose2DInferencer.update_model_visualizer_settings：取值只能是'mmpose'或'openpose'，否则抛出ValueError；draw_heatmap则通过model.test_cfg['output_heatmaps']控制模型是否输出热图供可视化叠加。

模型别名

MMPose 为常用模型提供了一组预定义的别名。在初始化MMPoseInferencer时，这些别名可以用作简略的表达方式，而不是指定完整的模型配置名称。下面是可用的模型别名及其对应的配置名称的列表：

下表列出了可用的 3D 姿态估计模型别名及其对应的配置文件：

从源码结构看，别名并非硬编码在推理器中：get_model_alias.py 的get_model_aliases()会从仓库/安装目录的 metafile（即 model-index.yml）中读取每个模型条目的Alias字段（支持字符串或字符串列表，因此一个模型可以有多个别名，如body与human等价、wholebody复用human检测配置），生成“别名 -> 配置名”字典。

此外，用户可以使用命令行界面工具显示所有可用的别名，使用以下命令：

python demo/inferencer_demo.py --show-alias

推理 API：用于更加灵活的自定义推理

MMPose 还提供了单独的 Python API 用于不同模型的推理，这种推理方式更加灵活，但是需要用户自己处理输入和输出，因此适合于熟悉 MMPose的用户。

MMPose 提供的 Python 推理接口存放于 mmpose/apis 目录下，以下是一个构建 topdown 模型并进行推理的示例：

构建模型

from mmcv.image import imread from mmpose.apis import inference_topdown, init_model from mmpose.registry import VISUALIZERS from mmpose.structures import merge_data_samples model_cfg = 'configs/body_2d_keypoint/rtmpose/coco/rtmpose-m_8xb256-420e_coco-256x192.py' ckpt = 'https://download.openmmlab.com/mmpose/v1/projects/rtmposev1/rtmpose-m_simcc-body7_pt-body7-halpe26_700e-256x192-4d3e73dd_20230605.pth' device = 'cuda' # 使用初始化接口构建模型 model = init_model(model_cfg, ckpt, device=device)

对应实现为 mmpose/apis/inference.py 中的init_model(config, checkpoint=None, device='cuda:0', cfg_options=None)，其行为要点（均可在源码中确认）：

• 接受配置文件路径、Path或Config对象；cfg_options可用于覆盖配置项；
• 通过build_pose_estimator构建模型，并用revert_sync_batchnorm还原 SyncBN，便于单机推理；
• dataset_meta的加载优先级为checkpoint 中的 meta > 模型配置 > 默认 COCO meta（源码），如果三者都取不到会警告并回退到configs/_base_/datasets/coco.py的 metainfo；
• 未提供 checkpoint 时模型以随机权重运行，仅用于打通管线；
• 最终model.eval()并把完整配置挂在model.cfg上，供后续推理与可视化取用 pipeline / visualizer 配置。

推理

img_path = 'tests/data/coco/000000000785.jpg' # 单张图片推理 batch_results = inference_topdown(model, img_path)

inference_topdown(model, img, bboxes=None, bbox_format='xyxy')的完整签名（mmpose/apis/inference.py）中，bboxes支持传入 N×4 的边界框列表，bbox_format可选'xyxy'或'xywh'（后者会自动转换）；不传bboxes时，会把整张图片当作单个边界框处理。每个边界框会走一遍配置中的test_dataloader.dataset.pipeline，经pseudo_collate打包后调用model.test_step，返回List[PoseDataSample]。对 bottom-up 模型，则使用同文件中的inference_bottomup(model, img)。

推理接口返回的结果是一个PoseDataSample列表，每个PoseDataSample对应一张图片的推理结果。PoseDataSample的结构如下所示：

[ <PoseDataSample( ori_shape: (425, 640) img_path: 'tests/data/coco/000000000785.jpg' input_size: (192, 256) flip_indices: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15] img_shape: (425, 640) gt_instances: <InstanceData( bboxes: array([[ 0., 0., 640., 425.]], dtype=float32) bbox_centers: array([[320. , 212.5]], dtype=float32) bbox_scales: array([[ 800. , 1066.6666]], dtype=float32) bbox_scores: array([1.], dtype=float32) )> gt_instance_labels: <InstanceData()> pred_instances: <InstanceData( keypoints: array([[[365.83333333, 87.50000477], [372.08333333, 79.16667175], [361.66666667, 81.25000501], [384.58333333, 85.41667151], [357.5 , 85.41667151], [407.5 , 112.50000381], [363.75 , 125.00000334], [438.75 , 150.00000238], [347.08333333, 158.3333354 ], [451.25 , 170.83333492], [305.41666667, 177.08333468], [432.5 , 214.58333325], [401.25 , 218.74999976], [430.41666667, 285.41666389], [370. , 274.99999762], [470. , 356.24999452], [403.33333333, 343.74999499]]]) bbox_scores: array([1.], dtype=float32) bboxes: array([[ 0., 0., 640., 425.]], dtype=float32) keypoint_scores: array([[0.8720184 , 0.9068178 , 0.89255375, 0.94684595, 0.83111566, 0.9929208 , 1.0862956 , 0.9265839 , 0.9781244 , 0.9008082 , 0.9043166 , 1.0150217 , 1.1122335 , 1.0207931 , 1.0099326 , 1.0480015 , 1.0897669 ]], dtype=float32) keypoints_visible: array([[0.8720184 , 0.9068178 , 0.89255375, 0.94684595, 0.83111566, 0.9929208 , 1.0862956 , 0.9265839 , 0.9781244 , 0.9008082 , 0.9043166 , 1.0150217 , 1.1122335 , 1.0207931 , 1.0099326 , 1.0480015 , 1.0897669 ]], dtype=float32) )> )> ]

其中pred_instances.keypoints与pred_instances.keypoint_scores即最终预测（形状为 N×K×2 与 N×K，N 为实例数、K 为关键点数）。用户可以通过.来访问PoseDataSample中的数据，例如：

pred_instances = batch_results[0].pred_instances pred_instances.keypoints # array([[[365.83333333, 87.50000477], # [372.08333333, 79.16667175], # [361.66666667, 81.25000501], # [384.58333333, 85.41667151], # [357.5 , 85.41667151], # [407.5 , 112.50000381], # [363.75 , 125.00000334], # [438.75 , 150.00000238], # [347.08333333, 158.3333354 ], # [451.25 , 170.83333492], # [305.41666667, 177.08333468], # [432.5 , 214.58333325], # [401.25 , 218.74999976], # [430.41666667, 285.41666389], # [370. , 274.99999762], # [470. , 356.24999452], # [403.33333333, 343.74999499]]])

可视化

在 MMPose 中，大部分可视化基于可视化器实现。可视化器是一个类，它接受数据样本并将其可视化。MMPose 提供了一个可视化器注册表，用户可以使用VISUALIZERS来实例化它。以下是一个使用可视化器可视化推理结果的示例：

# 将推理结果打包 results = merge_data_samples(batch_results) # 初始化可视化器 visualizer = VISUALIZERS.build(model.cfg.visualizer) # 设置数据集元信息 visualizer.set_dataset_meta(model.dataset_meta) img = imread(img_path, channel_order='rgb') # 可视化 visualizer.add_datasample( 'result', img, data_sample=results, show=True)

set_dataset_meta传入的model.dataset_meta决定了关键点的颜色、名称与骨架连接关系（skeleton），它与训练配置中的数据 metainfo（如 configs/base/datasets/coco.py）保持一致；而可视化器配置model.cfg.visualizer决定了窗口尺寸、线宽等渲染细节。

MMPose 也提供了更简洁的可视化接口（实现在 mmpose/apis/visualization.py），它内部自动创建PoseLocalVisualizer、解析 metainfo、包装临时PoseDataSample并调用add_datasample：

from mmpose.apis import visualize pred_instances = batch_results[0].pred_instances keypoints = pred_instances.keypoints keypoint_scores = pred_instances.keypoint_scores metainfo = 'configs/_base_/datasets/coco.py' visualize( img_path, keypoints, keypoint_scores, metainfo=metainfo, show=True)

visualize还支持visualizer（传入已有可视化器实例，会被 deepcopy 以避免状态污染）、show_kpt_idx（标注关键点序号）、skeleton_style（'mmpose'/'openpose'两种骨架风格，非法取值会触发断言错误）、kpt_thr（关键点分数阈值，默认 0.3）等参数，适合在自有可视化流程中直接绘制任意关键点数据。

源码印证：一条推理链的完整闭环

把两条接口对照源码，可以看到它们共享同一套底层组件：

1. 数据准备：推理器在 Pose2DInferencer.preprocess_single 中完成“检测 -> 边界框过滤（bbox_thr/nms_thr）-> 逐框跑 pipeline”的流程；若检测器未检出任何实例，则回退为“整图一个边界框”（与底层 APIinference_topdown不传bboxes时的行为一致）。
2. 模型前向：model.test_step完成推理，top-down 多框结果由merge_data_samples合并（对应 mmpose/structures 中的merge_data_samples）。
3. 可视化与转储：visualize与postprocess分别处理vis_out_dir/return_vis与pred_out_dir。
4. 测试保障：test_mmpose_inferencer.py 系统性地验证了图像路径、numpy 数组、目录、视频四类输入下推理器输出的键结构与产物数量（visualizations/与predictions/下的文件数），以及human3d别名在视频输入下的行为；底层 API 则有 test_inference.py 覆盖。

小结：如果你的目标是“拿到结果并保存”，优先使用MMPoseInferencer（别名一行构建，CLI 一条命令完成，参数覆盖可视化与转储）；如果你的目标是“把姿态估计嵌入自有管线并完全掌控中间数据（自定义边界框、PoseDataSample级访问、自定义可视化器）”，则选择init_model+inference_topdown/inference_bottomup+VISUALIZERS的底层组合。两条路线的关键实现都集中在 mmpose/apis，可直接对照上文引用的文件路径逐行验证。

【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose