常见问题¶
我们在这里列出了一些常见问题及其相应的解决方案。 如果您发现任何常见问题并有方法帮助解决，欢迎随时丰富列表。 如果这里的内容没有涵盖您的问题，请按照提问模板在 GitHub 上提出问题，并补充模板中需要的信息。
安装¶
MMCV 与 MMPose 的兼容问题。如 “AssertionError: MMCV==xxx is used but incompatible. Please install mmcv>=xxx, <=xxx.”
这里列举了各版本 MMPose 对 MMCV 版本的依赖，请选择合适的 MMCV 版本来避免安装和使用中的问题。
| MMPose 版本 | MMCV 版本 |
|---|---|
| master | mmcv-full>=1.3.8, \<1.8.0 |
| 0.29.0 | mmcv-full>=1.3.8, \<1.7.0 |
| 0.28.1 | mmcv-full>=1.3.8, \<1.7.0 |
| 0.28.0 | mmcv-full>=1.3.8, \<1.6.0 |
| 0.27.0 | mmcv-full>=1.3.8, \<1.6.0 |
| 0.26.0 | mmcv-full>=1.3.8, \<1.6.0 |
| 0.25.1 | mmcv-full>=1.3.8, \<1.6.0 |
| 0.25.0 | mmcv-full>=1.3.8, \<1.5.0 |
| 0.24.0 | mmcv-full>=1.3.8, \<1.5.0 |
| 0.23.0 | mmcv-full>=1.3.8, \<1.5.0 |
| 0.22.0 | mmcv-full>=1.3.8, \<1.5.0 |
| 0.21.0 | mmcv-full>=1.3.8, \<1.5.0 |
| 0.20.0 | mmcv-full>=1.3.8, \<1.4.0 |
| 0.19.0 | mmcv-full>=1.3.8, \<1.4.0 |
| 0.18.0 | mmcv-full>=1.3.8, \<1.4.0 |
| 0.17.0 | mmcv-full>=1.3.8, \<1.4.0 |
| 0.16.0 | mmcv-full>=1.3.8, \<1.4.0 |
| 0.14.0 | mmcv-full>=1.1.3, \<1.4.0 |
| 0.13.0 | mmcv-full>=1.1.3, \<1.4.0 |
| 0.12.0 | mmcv-full>=1.1.3, \<1.3 |
| 0.11.0 | mmcv-full>=1.1.3, \<1.3 |
| 0.10.0 | mmcv-full>=1.1.3, \<1.3 |
| 0.9.0 | mmcv-full>=1.1.3, \<1.3 |
| 0.8.0 | mmcv-full>=1.1.1, \<1.2 |
| 0.7.0 | mmcv-full>=1.1.1, \<1.2 |
无法安装 xtcocotools
尝试使用 pip 手动安装：
pip install xtcocotools.如果第一步无法安装，尝试从源码安装：
git clone https://github.com/jin-s13/xtcocoapi cd xtcocoapi python setup.py install
报错: No matching distribution found for xtcocotools>=1.6
安装 cython :
pip install cython.从源码 安装 xtcocotools ：
git clone https://github.com/jin-s13/xtcocoapi cd xtcocoapi python setup.py install
报错：”No module named ‘mmcv.ops’”; “No module named ‘mmcv._ext’”
如果您已经安装了
mmcv, 您需要运行pip uninstall mmcv来卸载已经安装的mmcv。如果您在本地同时安装了mmcv和mmcv-full,ModuleNotFoundError将会抛出。按照安装指南安装
mmcv-full.
开发¶
如果对源码进行了改动，需要重新安装以使改动生效吗？
如果您遵照最佳实践的指引，从源码安装
mmpose，那么任何本地修改都不需要重新安装即可生效。如何在多个
MMPose版本下进行开发？通常来说，我们推荐通过不同虚拟环境来管理多个开发目录下的
MMPose. 但如果您希望在不同目录（如mmpose-0.26.0,mmpose-0.25.0等）使用同一个环境进行开发，我们提供的训练和测试 shell 脚本会自动使用当前目录的mmpose，其他 Python 脚本则可以在命令前添加PYTHONPATH=`pwd`来使用当前目录的代码。反过来，如果您希望 shell 脚本使用环境中安装的
MMPose，而不是当前目录的，则可以去掉 shell 脚本中如下一行代码：PYTHONPATH="$(dirname $0)/..":$PYTHONPATH
加载模型过程中：”Unexpected keys in source state dict” when loading pre-trained weights
在姿态估计模型中不使用预训练模型中的某些层是正常的。在 ImageNet 预训练的分类网络和姿态估计网络可能具有不同的架构（例如，没有分类头）。因此，在源模型权重文件 (source state dict) 中确实会出现一些预期之外的键。
怎么使用经过训练的模型作为主干网络的预训练
如果要对整个网络（主干网络 + 头部网络）使用预训练模型， 请参考教程文档：使用预训练模型，配置文件中的
load_from字段指明了预训练模型的链接。如果要使用主干网进行预训练，可以将配置文件中主干网络的 “
pretrained” 值改为模型权重文件的路径或者 URL 。 训练时，将忽略意外的键值。怎么实时地可视化训练的准确率/损失函数曲线？
在
log_config中使用TensorboardLoggerHook，如：log_config=dict(interval=20, hooks=[dict(type='TensorboardLoggerHook')])
没有打印日志信息
使用更小的日志打印间隔。例如，将这个配置文件的
interval=50改为interval=1.微调模型的时候怎么固定主干网络多个阶段的网络参数？
您可以参考这个函数:
def _freeze_stages()以及这个参数：frozen_stages。 如果使用分布式训练或者测试，请在配置文件中设置find_unused_parameters = True。
数据¶
怎么将 2D 关键点数据集转换为 COCO 格式？
您可以参考这个转换工具 来准备您的数据。
这是一个关于 COCO 格式 json 文件的示例。
COCO 格式的 json 文件需要这些字段信息: “categories”, “annotations” and “images”.
“categories” 包括了数据集的一些基本信息，如类别名称和关键点名称。”images” 包含了图片级别的信息，需要这些字段的信息：”id”, “file_name”, “height”, “width”. 其他字段是可选的。
注： “id” 可以是不连续或者没有排序好的（如 1000, 40, 352, 333 …）。
“annotations” 包含了实例级别的信息，需要这些字段的信息：”image_id”, “id”, “keypoints”, “num_keypoints”, “bbox”, “iscrowd”, “area”, “category_id”. 其他字段是可选的。
注：(1) “num_keypoints” 表示可见关键点的数量. (2) 默认情况下，请设置”iscrowd: 0”. (3) “area” 可以通过标记的边界框信息计算得到：(area = w * h). (4) 简单地设置 “category_id: 1” 即可. (5) “annotations” 中的 “image_id” 应该和 “images” 中的 “id” 匹配。
如果数据集没有人工标注的边界框信息怎么办？
我们可以认为一个人的边界框是恰好包围所有关键点的最小框。
如果数据集没有
segmentation信息怎么办？
设置人体的 area 为边界框的面积即可。在评测的时候，请按照这个例子 设置 use_area=False。
COCO_val2017_detections_AP_H_56_person.json是什么文件？可以不使用它来训练姿态估计的模型吗？
COCO_val2017_detections_AP_H_56_person.json 包含了在 COCO 验证集上检测到的人体边界框，是使用 FasterRCNN 生成的。
您可以使用真实标记的边界框来评测模型，设置 use_gt_bbox=True 和 bbox_file='' 即可。
或者您可以使用检测到的边界框来评测模型的泛化性，只要设置 use_gt_bbox=False 和 bbox_file='COCO_val2017_detections_AP_H_56_person.json' 即可。
训练¶
报错：RuntimeError: Address already in use
设置环境变量 MASTER_PORT=XXX。
例如 MASTER_PORT=29517 GPUS=16 GPUS_PER_NODE=8 CPUS_PER_TASK=2 ./tools/slurm_train.sh Test res50 configs/body/2D_Kpt_SV_RGB_Img/topdown_hm/coco/res50_coco_256x192.py work_dirs/res50_coco_256x192。
评测¶
推理¶
怎么在 CPU 上运行 MMPose ？
运行示例的时候设置:
--device=cpu.怎么加快推理速度？
对于自顶向下的模型，可以尝试修改配置文件。例如：
在 topdown-res50 中设置
flip_test=False。在 topdown-res50 中设置
post_process='default'。使用更快的人体边界框检测器，可参考 MMDetection。
对于自底向上的模型，也可以尝试修改配置文件。例如：