liam_sun

谢谢。这些信息我之前看过，也测试过官方的multipose模型。另外，也修改了代码，Multipose已经可以训练起来。不过，后处理的部分，通过netron观察，跟singlepose不太一样，并不是取出6个点(center的index，需要先做Maxpool，再做topK=6的处理)，然后每个点和singlepose相同处理。我这样试验过，效果比官方模型差。主要是netron中看到的一些操作，比较难跟实际的op对应起来。我再研究看看。

目前应该还没有开源的代码，连singlepose的训练代码都没有开源。

谢谢指点。我修改的只是center weight，算法就是上面贴出来的，我提前生成了这个档，并且在代码里面做了调整，比如： movenet_loss.py _center_weight_path = 'lib/data/thunder_weight_center.npy' 关键点的权重矩阵，我想你说的是这个: _range_weight_x = np.array([[x for x in range(64)] for _ in range(64)]) _range_weight_y = _range_weight_x.T 等差数列，我已经修改48为64了。

OK，我再查一下。按理训练正常收敛，推理不应该是这个样子，目前我训练到: e33_valacc0.73361.pth epoch 33, val精度73%的样子。

Hi author， 请教一下，boneLoss里面，设定了bone_idx，看起来像是针对你自己数据集做的设置。如果按照原生coco 17个关键点的设定，这个bone_idx应该如何设置呢？Thanks.

是的，我是这样理解的。不过如果按照原生coco的关键点索引: _bone_idx = [[0,1],[1,2],[2,3],[3,4],[4,5],[5,6],[2,4]] 代码中的[2,3]表示右眼跟左耳的连接，这个似乎不太合理，所以我才有此一问，是不是这是适配你自己的数据集的关键点。 另外还有几个问题想请教一下： 1. 之前我修改代码进行thunder model训练后，推理结果不正常，原因是forward里面做了mean/std的预处理，而由于我自己写了处理视频的代码，又做了一次同样处理，所以造成这个结果。修正后看起来结果就正常多了，不过效果一般。想请问一下，你的数据集除了有清洗后的coco，其它诸如yoga/fitness等标注，是自己从video中抽取图片进行标注，还是网上有现成的数据可用？ 2. 有什么可视化手段或者工具来观察数据集的关键点分布吗？ 谢谢指点！！

好的，了解了。我想观察的是分布区域。因为我看到之前你的那篇文章里提到：关键点区域面积分布。我想这应该是看样本的area指标，然后做直方图分析，这样理解对吗？

好的，多谢指点，我再研究看看，有问题再跟你请教。

请教一下，我自己改写shufflenetv2作为backbone，采用width mult 1.0的输出channel，基于原生的coco(用你的make_coco_data_17keypooints.py做了过滤)，看起来训练的时候，很快Loss就不再下降，val acc则开始下降。 直接使用代码中的movenet_mobilenetv3.py(看起来像shufflenetv2做了一点改动)，训练也是同样现象。 请问有什么建议吗？

了解。不过我这边的实验看起来，直接使用movenet_mobilenetv3.py training会不收敛。我自己改写的shufflenetv2，也是同样现象。我再研究看看。