keyPointsDetectionMethodWithTorch

介绍

物体关键点检测算法。 关键点的数量可以随意指定，但训练集需要与指定的关键点数量一致。 本算法是基于Resnet+dsntnn组合网络构成的关键点坐标回归算法--KPDEM_model. 仓库的文件源码很简单。一个模型文件，两个数据处理文件（训练集和测试集），一个训练文件和一个测试文件。以及readme文件。

1. 模型设计流程文件（模型文件：keypoints_Net.py）模型设计流程介绍参见blog；
2. 数据集读取文件：测试数据集文件对应:data_test_fashion_hw.py，训练数据集文件对应：data_process_fashion_hw.py
3. 训练文件：train_KPDEM_model.py
4. 测试文件：test_KPDM_model.py
5. 训练集和测试集数据：链接：https://pan.baidu.com/s/1vXL-FCt8lehQrO6FVvDQ1w 提取码：u4mk

算法架构

结构和流程说明 详细见blog:https://blog.csdn.net/beauthy/article/details/114318277 需要的数据资源，可以参见blog介绍。

安装库说明

1. pytorch 1.5
2. dnstnn
3. collections

使用说明

1. 数据预处理，或数据集准备； 数据路径csv_file,root_dir传入： dressDataset = TestDataSet(csv_file=r"E:\Datasets\Fashion\Fashion AI-keypoints\test\test_dress.csv", root_dir=r"E:\Datasets\Fashion\Fashion AI-keypoints\test", num=15, transforms_img=transform_img, ) 训练数据集略有不同。

2. 模型训练和保存模型 运行train_KPDEM_model.py，通过设置model = CoordRegression(n_locations=13)的n_locations对应物体的关键点数量。 设置optimizer = optim.RMSprop(model.parameters(), lr=2e-4, alpha=0.85)的lr，alpha的值，调节超参数，帮助收敛损失函数，优化模型。 训练完成，保存模型：torch.save(model, r'D:/TanHaiyan/Models/KPDEM/trouser_kp/' + 'blouse_kp' + str(epoch) + '.pth'),设置保存文件的名称和位置。

3. 模型测试和验证 运行test_KPDM_model.py文件，model = torch.load(path)，path对应模型文件地址. 注意，需要将模型文件keypoints_Net.py与测试文件test_KPDM_model.py放在同一个路径，否则，torch.load(path)，会报错。