使用SuperGradients中的YOLO-NAS-Pose模型进行姿态估计评估

评估方法概述 在计算机视觉领域，姿态估计是一项重要的任务，它需要精确地检测人体关键点并确定其空间位置。SuperGradients提供了YOLO-NAS-Pose模型，这是一个高效的人体姿态估计解决方案。本文将详细介绍如何使用PyCocoTools对YOLO-NAS-Pose模型进行离线评估。

评估协议差异 SuperGradients(SG)和COCO官方评估协议在图像预处理方面存在关键差异：

SG评估方式：

训练/验证时将图像统一调整为固定尺寸(默认为640x640) 使用保持长宽比的缩放+填充方式 在调整后的图像分辨率上计算AP/AR指标 COCO官方评估：

使用原始图像分辨率进行评估 不进行任何图像尺寸调整 这种差异通常会导致SG报告的指标比COCO官方评估低约1AP。因此，为了获得与学术研究一致的评估结果，我们需要使用COCO官方评估协议。

环境准备与模型加载 首先需要安装必要的软件包：

!pip install -qq super_gradients==3.7.1 然后加载预训练的YOLO-NAS-Pose模型：

from super_gradients.common.object_names import Models from super_gradients.training import models model = models.get(     Models.YOLO_NAS_POSE_L,     pretrained_weights="coco_pose" ).cuda() 也可以加载自定义训练好的模型：

model = models.get(     Models.YOLO_NAS_POSE_L,     num_classes=17,     checkpoint_path="/path/to/your/checkpoint.pth", ) AI写代码 python 运行 准备COCO验证数据 评估需要COCO2017验证集的数据和标注。首先设置数据路径：

import os COCO_DATA_DIR = os.environ.get("COCO_ROOT_DIR", "/path/to/coco2017") 然后加载图像和标注：

from pycocotools.coco import COCO images_path = os.path.join(COCO_DATA_DIR, "images/val2017") image_files = [os.path.join(images_path, x) for x in os.listdir(images_path)] gt_annotations_path = os.path.join(COCO_DATA_DIR, "annotations/person_keypoints_val2017.json") gt = COCO(gt_annotations_path) 模型预测 使用加载的模型对验证集进行预测：

predictions = model.predict(     image_files, conf=0.01, iou=0.7,      pre_nms_max_predictions=300,      post_nms_max_predictions=20,      fuse_model=False ) 结果转换与评估 将预测结果转换为COCO评估工具要求的格式：

import copy import json_tricks as json import collections import numpy as np import tempfile def predictions_to_coco(predictions, image_files):     # 实现预测结果到COCO格式的转换     ... coco_pred = predictions_to_coco(predictions, image_files)

使用COCO评估工具计算最终指标：

with tempfile.TemporaryDirectory() as td:     res_file = os.path.join(td, "keypoints_coco2017_results.json")     with open(res_file, "w") as f:         json.dump(coco_pred, f)     coco_dt = copy.deepcopy(gt)     coco_dt = coco_dt.loadRes(res_file)     coco_evaluator = COCOeval(gt, coco_dt, iouType="keypoints")     coco_evaluator.evaluate()     coco_evaluator.accumulate()     coco_evaluator.summarize()

评估指标解读 COCO评估工具会输出多个关键指标：

平均精度(AP)指标：

AP @0.5..0.95: 0.682 (在不同IoU阈值下的平均精度) AP @0.5: 0.891 (IoU阈值为0.5时的精度) AP @0.75: 0.752 (IoU阈值为0.75时的精度) 平均召回率(AR)指标：

AR @0.5..0.95: 0.735 (在不同IoU阈值下的平均召回率) AR @0.5: 0.924 (IoU阈值为0.5时的召回率) AR @0.75: 0.799 (IoU阈值为0.75时的召回率) 这些指标全面反映了模型在不同严格程度下的性能表现，为模型优化和比较提供了客观依据。