MMPose WholeBody 全身姿态估计指南：133关键点，5分钟出第一张结果
【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose
MMPose 的 WholeBody 模块用 133关键点做全身姿态估计：身体 17 点、面部 68 点、双手 42 点、双脚 10 点一次输出。基于 top-down 架构，MMPose 快速上手只需要三条命令：装环境、下模型、跑 demo。
全身133个关键点一次讲清
133 个关键点按四个部位划分，覆盖从躯干到指尖、脚趾的完整人体：
- 🦴 身体 17 点：头、躯干和四肢主要关节
- 🙂 面部 68 点：眉毛、眼睛、鼻子、嘴巴及轮廓点
- ✋ 双手 42 点（21 × 2）：每只手的每个手指关节都单独标注
- 👟 足部 10 点（5 × 2）：脚趾与脚踝位置点
架构上采用 top-down 姿态估计方案：先用 MMDetection 等检测器框出画面中每个人，再把每个人体区域送进姿态模型输出 133 个关键点。检测与关键点两个环节相互独立，检测器可以单独替换或调参，多人场景下每人独立回归，互不干扰。
5分钟跑出第一个结果
第一步：MMPose 安装
克隆仓库后安装依赖，-e .做开发模式安装，后续改代码无需重装。
git clone https://gitcode.com/GitHub_Trending/mm/mmpose cd mmpose pip install -r requirements.txt pip install -v -e .第二步：下载 RTMW-L 模型
用 MIM 按配置名一键拉取 RTMW-L 的全身关键点模型权重：
mim download mmpose --config rtmw-l_8xb64-210e_coco-wholebody-256x192 --dest .第三步：跑 top-down demo
🏃demo/topdown_demo_with_mmdet.py按顺序接收四个参数：检测器配置、检测器权重、关键点配置、关键点权重，再用--input指定输入图片。仓库自带测试图，复制即可运行：
python demo/topdown_demo_with_mmdet.py \ demo/mmdetection_cfg/rtmdet_m_640-8xb32_coco-person.py \ rtmdet_m_640-8xb32_coco-person.pth \ configs/wholebody_2d_keypoint/rtmpose/coco-wholebody/rtmpose-l_8xb64-270e_coco-wholebody-256x192.py \ rtmpose-l_simcc-coco-wholebody_pt-aic-coco_270e-256x192-6f206314.pth \ --input tests/data/coco/000000196141.jpg \ --output-root vis_results/ --show输出图像上会画出人体框和 133 关键点的连线；加上--save-predictions可以把检测结果保存成文件。
模型选型速查表
| 场景 | 推荐模型 | 理由 |
|---|---|---|
| 高精度离线分析 | RTMW-L | COCO-WholeBody 上 Whole AP 约 72.3，精度档位中最高 |
| 实时视频流处理 | RTMW-M | 30fps+ 的推理速度，视频流场景流畅 |
| 移动端 / 边缘部署 | RTMW-S | 模型大小约 8MB，体积最小 |
三档模型共用同一套推理入口，切换时只需替换配置文件和权重文件。
实际能用在哪些地方
📍健身动作分析：133 关键点精确到手指和足部位置，动作比对时可以直接量化关节角度偏差与重心偏移。仓库中的 Just Dance 项目就基于全身关键点做动作相似度计算，是很好的参考实现。
📍VR/AR 手势交互：42 个手部关键点支持空中打字、隔空点按这类手势识别；同一套推理还能给出全身姿态，用来驱动虚拟角色动作，一次前向同时覆盖手部和身体输入。
📍安防行为识别：跌倒、异常姿态这类事件往往体现在细微的姿态变化上。相比只用人体框，133 关键点提供了更多维度的行为特征，事件判断更稳。
性能调优清单
⚡量化压缩：把模型导出后用 ONNX Runtime 或 TensorRT 做 INT8 量化，体积和推理耗时能同时明显下降，是部署环节的第一手优化。
⚡输入分辨率：在 256x192 和 384x288 两档之间按场景取舍，低分辨率更快但精度略降，建议先拿一批样本试跑，找到精度与速度的平衡点。
⚡推理引擎：GPU 环境优先上 TensorRT，CPU 环境选 OpenVINO，两者对 RTMPose 这类轻量骨干都有成熟支持。
一句话收束：MMPose WholeBody 把全身姿态估计变成了"装环境、下模型、跑 demo"三步的事，133 关键点的全套结果一次推理即可拿到。
更多资料：
- 官方文档：docs/zh_CN/index.md
- 模型库：docs/zh_CN/model_zoo.md
- 推理 API 源码：mmpose/apis/inference.py
【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
