1.准备

• coco2017数据集
• coco格式标签
• edgeai-yolov5-yolo-pose（yolov7中的pose也是从这里改过去的，有一点不同）
  yolo-pose
• 创建coco_kpts文件夹

#其中coco_kpts文件夹与edgeai-yolov5-yolo-pose处于同一目录下，格式如下：
	edgeai-yolov5
│   README.md
│   ...   
│
coco_kpts
│   images
│   └─────train2017
│       │       └───
|       |       '
│       └─val2017
|               └───
|               .
│   annotations
|   labels
│   └─────train2017
│       │       └───
|       |       '
│       └─val2017
|               └───
|               .
|    train2017.txt
|    val2017.txt

2.环境(略，自己搭建)

权重在原文

3.测试(detect.py)

报错说什么数组大小异常多半是你忘了加–kpt-label

python test.py --data coco_kpts.yaml --img 640 --conf 0.001 --iou 0.65 --weights "XXXXX.pt" --kpt-label

4.训练(train.py)

python train.py --data coco_kpts.yaml --cfg yolov5s6_kpts.yaml --batch-size 64 --img 640 --kpt-label

建议action=‘store_true’，设置为default=‘True’

5.转onnx（export.py，坑）

export.py不在根目录，而在models路径下下面，剩下的坑，略。

6.推理(inference.py，坑)

提示，原文给的onnx文件是可以用点，主要还是5的坑，
不过代码有点问题，所以需要稍微改下代码，不过难度不大，锻炼下自己。使用官方图片，成功推理后其结果如下图所示。

7.pose图生成(detect.py,略)

错误与环境问题

1.AttributeError: Cant get attribute SPPF on module models.common

解决方法：

在model/common.py文件中加上如下代码

import warnings

class SPPF(nn.Module):
#Spatial pyramid pooling layer used in YOLOv3-SPP
    def __init__(self, c1, c2, k=5):
        super().__init__()
        c_ = c1 // 2  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k,stride=1,padding=k//2)
    def forward(self, x):
   		x = self.cv1(x)
   		with warnings.catch_warnings():
            warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning
       	    y1=self.m(x)
            y2=self.m(y1)
            return self.cv2(torch.cat([x,y1,y,self.m(y2)],1))

2.AttributeError: ‘Upsample’ object has no attribute ‘recompute_scale_factor’

解决方法：

找到X:xxxedgeai-yolov5-yolo-posevenvLibsite-packagestorchnnmodulesupsampling.py (直接点击pycharm跳转)

找到forward方法

# def forward(self, input: Tensor) -> Tensor:
#     return F.interpolate(input, self.size, self.scale_factor, self.mode, #self.align_corners,
#recompute_scale_factor=self.recompute_scale_factor #原来的，删除本行内容即可
#)

def forward(self, input: Tensor) -> Tensor:
    return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners)

3.val: WARNING: Ignoring corrupted image and/or label …coco_kptsimagestrain201700000581921.jpg: cannot reshape array of size 55 into shape (2)

解决方法：

A.找到X:xxxedgeai-yolov5-yolo-poseutilsdatasets.py

def img2label_paths(img_paths):
    # Define label paths as a function of image paths
    sa, sb = os.sep + 'images' + os.sep, os.sep + 'labels' + os.sep  # /images/, /labels/ substrings
    #return ['txt'.join(x.replace(sa, sb, 1).rsplit(x.split('.')[-1], 1)) for x in img_paths]#原来的
    return [x.split('.',1)[0] + '.txt' for x in img_paths]#修改后新的

B.你忘了加–kpt-label参数，调用的代码错误，位置自己找

4.RuntimeError: result type Float can’t be cast to the desired output type long int

(上方indices.append((b, a, gj.clamp_(0, gain[3] - 1), gi.clamp_(0, gain[2] - 1))) # image, anchor, grid indices)

yolov5-master版本和yolov5-5.0/yolov5-6.1等版本下的utilsloss.py文件不一致

在loss.py中搜 for i in range(self.nl)

替换前
#anchors = self.anchors[i]
替换后
anchors, shape = self.anchors[i], p[i].shape

在loss.py搜 indices.append

替换前
#indices.append((b, a, gj.clamp_(0, gain[3] - 1), gi.clamp_(0, gain[2] - 1)))  # image, anchor, grid indices
替换后
indices.append((b, a, gj.clamp_(0, shape[2] - 1), gi.clamp_(0, shape[3] - 1)))  # image, anchor, grid

5.关键点异常，面部关键点不在身体(锻炼下自己的搜索能力吧)

6.转onnx文件，报错：export failure: PyTorch convert function for op ‘conv2d_clamp_prepack’ not implemented.

不知道是不是版本问题？报错PyTorch版本1.12.1，成功的版本1.8.2

（但这版本CoreML export failure，‘torch._C.Node’ object has no attribute ‘ival’）

2022/12/28补充以下更新：
6.1
CoreML export failure，‘torch._C.Node’ object has no attribute 'ival’解决方法是在export.py中将92行注释掉

ts = optimize_for_mobile(ts) 

参考链接https://github.com/ultralytics/yolov5/issues/2961
但我这样做了以后，依旧报错。忘了截图是啥问题了(可以留言告诉我，我懒得折腾版本了)，总之，查询以后发现是版本问题

支持macOS 10.14的coremltools的最新版本是4.1，而现在一般是coremltools5.2，它不支持macOS 10.14
进入到对应的虚拟环境中，输入以下命令(查询版本命名：conda list coremltools)

pip uninstall coremltools

完成以后，输入安装4.1版本

pip install coremltools==4.1

改版本后如果取消92行的注释，会报错。所以依旧注释，确认在coremltools=4.1的环境中，重新导出。

好的，搞定导出。

什么，你要支持之后的版本？可能需要麻烦你自己搞定，如果愿意，可以留言帮助其他人。

7.detect.py #126行 这里有错误，1是写错了，2是没有适配关键点

if save_txt_tidl:  # Write to file in tidl dump format
    #for *xyxy, conf, cls in det_tidl: #写错了
    for *xyxy, conf, cls in det:#作者小失误

适配代码(略)

8.xtcocotools unable to run: No module named ‘xtcocotools’

解决方法：

在虚拟环境中(建议python=3.7)，3.8.特别是3.9 问题太多。大佬可以自己解决

pip install xtcocotools

9.No matching distribution found for onnxruntime==1.10.0

如需Python版本不要过高，否则之后的python版本只能安装onnxruntime>=1.12.0

在对应的虚拟环境中输入

pip install onnxruntime==1.10.0

10.更多错误，略

单分类改多分类和多关键点(略)

原作者有部分错误（我在留言中已指出，Ta也解释了原因，但我记得好像还有其他问题）。另外他是yolov7（但改代码部分不太影响，可以调通）
多分类和多关键点

COCO关键点数据

annotation{
    "keypoints": [x1,y1,v1,...],  #关键点坐标及标志位 v 
    "num_keypoints": int,    #关键点数量（要求v>0）
    "id": int,
    "image_id": int,    #图像id号，对应图像的文件名
    "category_id": int, #只有人，所以为1
    "segmentation": RLE or [polygon],  #iscrowd 为 0 时是polygon格式，为1时是 RLE格式,代表分割图（用多边形框出人体）
    "area": float,  #矩形框的面积
    "bbox": [x,y,width,height],  #矩形框左上角坐标（x，y）和矩形框的宽高
    "iscrowd": 0 or 1,  
}

在key_points 关键字中 x，y表示坐标值，

v的值有三个

具体的标记规则建议参考coco的标记

关键点的json数据集转txt（coco keypoints键点，略）

在yolov5的yolo转txt的代码上增加读取Json中关键点信息转换就行。
坑在于，建议使用Json阅读器来弄，用nodepad++打开，数据异常(导致不知道怎么写代码，数据都不对，能写出来才怪了)
自己动动手，不难(小提示，使用format(XXX, ‘.6f’)强制实现6位小数，round函数输出可以小于6位)

如何标记coco格式的关键数据

我使用了部分网友自己写的程序，发现会有点位数据与官方数据不一致的问题。
建议直接使用官方coco-annotator调通以后进行打点，多分类也在标记时进行。

厚颜无耻的给上另外一篇我的文章链接coco-annotator安装使用

如果你搞定了标记和转txt，那么你的数据会比官方给出的数据略大是正常的。官方的数据把部分数据移除了，原因如下图嘛。

因为不能直接复制很多内容，格式方面有一些问题，很烦，懒得调整了。

最后

以上就是热情小兔子为你收集整理的Yolo-pose训练和测试，多分类修改，COCO数据集(17关键点)1.准备2.环境(略，自己搭建)3.测试(detect.py)4.训练(train.py)5.转onnx（export.py，坑）6.推理(inference.py，坑)7.pose图生成(detect.py,略)错误与环境问题单分类改多分类和多关键点(略)COCO关键点数据的全部内容，希望文章能够帮你解决Yolo-pose训练和测试，多分类修改，COCO数据集(17关键点)1.准备2.环境(略，自己搭建)3.测试(detect.py)4.训练(train.py)5.转onnx（export.py，坑）6.推理(inference.py，坑)7.pose图生成(detect.py,略)错误与环境问题单分类改多分类和多关键点(略)COCO关键点数据所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。