前言

 扔掉学术偏见，拥抱工程化的Yolo。由于一直没有使用过yolo，因此本文旨在从0基础配置yolo环境并训练和测试。
 论文地址
 代码地址

1、准备工作

1. 首先下载coco2017数据集，怎么下载这个我就不详细介绍了，但注意的是，虽然原始coco数据集的文件夹名称也为coco，但为了和yolo所使用的进行区分，请将coco数据集命名为coco2017。
2. 然后下载原始coco格式的标签并解压，解压后请务必将person_keypoints_val2017.json文件拷贝到coco/annotations/下，否则后续评估报错！
3. 新建一个coco_kpts文件夹，下载yolo格式的关键点检测的标签并解压到coco_kpts文件夹内（谷歌云盘，没有梯子的自己想想办法把，别私聊问我要了）；同时创建软连接或者将coco2017中的images和annotations两个文件夹拷贝到coco_kpts下面。最终coco_kpts/如下图：先忽略train2017.cache，后续在训练时会生成。

 最后下载代码并解压至和coco_kpts同级目录下即可。

 在准备完成后，最终的一个文件树为：

 至此，便可以训练yolo-pose。

2、训练模型

2.1.可能报的错：AttributeError: Cant get attribute SPPF on module models.common

 参考链接
 在model/common.py文件中加上如下代码即可。

import warnings

class SPPF(nn.Module):
    # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
    def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))
        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, y2, self.m(y2)], 1))

2.2.训练模型

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

 需要训练300个epoch，等训练完我会补充下结果，目前来看，效果果然好，3个epoch情况下达到了oks达到了38.3，恐怖。：
  训练了100epoch，oks在测试集精度为46。官方汇报的是57，训了300epoch。

2.3.测试模型

 首先在readme中下载一个训练好的权重，如下图，点击那个Yolo5s6_pose_640，将下载好的.pt放到edgeai-yolov5-yolo-pose文件夹内。

 测试命令：

python test.py --data coco_kpts.yaml --img 640 --conf 0.001 --iou 0.65 --weights "/path/to/edgeai-yolov5-yolo-pose/last.pt" --kpt-label

 测试结果：59.9比官方汇报的高两个点。

可视化

 测试/训练的可视化图都在runs文件夹内，我这里放几张测试图例：

总结

 有问题欢迎+vx: wulele2541612007，后续有空会出yolo-pose的源码解读，敬请期待。