---

To-do list:
1、数据集，COCO-whole, Halpe；下载好；
2、模型搭建，先基于yolov8来检测人体姿态，17个点；
3、迁移任务，17个点，把它拓展到133个点；
4、优化133个点的模型；

一、搭建yolopose平台

目标：利用yolov8框架来实现17个点的人体姿态估计；在上一篇博客，我们已经把yolov8搭建出来了；
在原yolov8的基础上下载好相对应的模型，本文下载的是YOLOv8n-pose，在将下载好的模型放入文件夹中，最后在根目录下创建一个执行文件，文件代码如下：

from ultralytics import YOLO
from PIL import Image
import cv2
model = YOLO("yolov8n-pose.pt")  # 选择自己模型位置
model.info()
imgPath = "resource/human1.jpg"#选择自己图片位置
im1 = Image.open(imgPath)
results = model.predict(source=im1, save=True)  # save plotted images

效果展示：

二、迁移训练任务

从上述内容，可知YOLO是可以做人体姿态估计的，也就是17个点的躯体关键点检测。如何拓展到全人体超过130多个点的关键点检测呢？

全人体关键点范畴：

COCO wholebody数据集包含了对全体关键点的标注，即 4种检测框 (person box, face box, left-hand box, and right-hand box) 和 133 keypoints (17 for body, 6 for feet, 68 for face and 42 for hands).

2.1 任务拓展

任务：人体框是不变的，只需要把17个点拓展到133个点；

数据准备

以coco wholebody为例子；

COCO whole非常大，每训练一次，可能都需要2-3天，那么是不是每次都需要在整个数据集上训练？
其实，可以从整个大规模的数据集里面构建一个小数据集，称之为miniCOCO;
1、收集miniCOCO
决定将训练集为10000张图片,测试集为1000张图片代码如下:

import json
import time
import shutil
import os
from collections import defaultdict
import json
from pathlib import Pathclass COCO:def __init__(self, annotation_file=None, origin_img_dir=""):"""Constructor of Microsoft COCO helper class for reading and visualizing annotations.:param annotation_file (str): location of annotation file:param image_folder (str): location to the folder that hosts images.:return:"""# load datasetself.origin_dir = origin_img_dirself.dataset, self.anns, self.cats, self.imgs = dict(), dict(), dict(), dict()  # imgToAnns　一个图片对应多个注解(mask) 一个类别对应多个图片self.imgToAnns, self.catToImgs = defaultdict(list), defaultdict(list)if not annotation_file == None:print('loading annotations into memory...')tic = time.time()dataset = json.load(open(annotation_file, 'r'))assert type(dataset) == dict, 'annotation file format {} not supported'.format(type(dataset))print('Done (t={:0.2f}s)'.format(time.time() - tic))self.dataset = datasetself.createIndex()def createIndex(self):# create index　　  给图片->注解,类别->图片建立索引print('creating index...')anns, cats, imgs = {}, {}, {}imgToAnns, catToImgs = defaultdict(list), defaultdict(list)if 'annotations' in self.dataset:for ann in self.dataset['annotations']:imgToAnns[ann['image_id']].append(ann)anns[ann['id']] = annif 'images' in self.dataset:for img in self.dataset['images']:imgs[img['id']] = imgif 'categories' in self.dataset:for cat in self.dataset['categories']:cats[cat['id']] = catif 'annotations' in self.dataset and 'categories' in self.dataset:for ann in self.dataset['annotations']:catToImgs[ann['category_id']].append(ann['image_id'])print('index created!')# create class membersself.</