企业官网建设流程全解析

MMPose 关键点半自动标注：5 步跑通实战

【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose

数据集到 5000 张还在一张张手标？单人 17 个关键点加上框和分割，纯人工标注不仅慢，遇到遮挡、密集多人场景时一致性还会崩。MMPose 在工具箱里内置了一整套关键点标注工具链：人工侧对接 Label Studio，半自动侧提供让姿态模型先"做一遍"、人工只改错的伪标签脚本，全部落在tools/目录，拿来即用。

工具定位：模型粗标，人工改错

一句话定位：Label Studio 负责"标"，MMPose 负责"脏活"。Label Studio 本身无法把关键点数据直接导出成 MMPose 需要的 COCO 格式，tools/dataset_converters/labelstudio2coco.py补上了这个缺口；而tools/misc/下的伪标签脚本则让检测模型先出框、姿态模型先出点，人只修错。与纯人工标注平台的区别就在这一点——参考文章给出的估算里，千张图片的全流程周期从约 24 天压到 6 天以内。

几个关键默认值先记住：关键点置信度阈值--kpt-thr 默认 0.3，检测框 NMS 阈值默认 0.65，一个实例需要关键点、框、分割三类标注齐全。

最小可用的标注路径

从零到跑通只需 5 步，每步一条命令或一个动作：

1. 装环境：MMPose 依赖 OpenMMLab 全家桶，用 mim 最省事：

pip install openmim mim install "mmpose"

2. 配置 Label Studio 标注界面：项目 Settings → Labeling Interface 粘贴官方示例 XML，必须包含KeyPointLabels、PolygonLabels、RectangleLabels三种标签，且标注顺序严格"关键点在前、框或分割在后"（完整示例见 docs/zh_cn/user_guides/label_studio.md）。
3. 模型先跑一遍：检测模型出框，RTMPose 出伪标签：

# 1) 目标检测先生成人体 bbox python tools/misc/generate_bbox_file.py <det_config> <det_weight> data/bbox.json \ --score-thr 0.5 --nms-thr 0.65 # 2) RTMPose 过一遍，输出 COCO 伪标签 python tools/misc/keypoints2coco_without_mmdet.py \ configs/body_2d_keypoint/rtmpose/coco/rtmpose-m_8xb256-420e_coco-256x192.py \ <ckpt> --json-file data/bbox.json --img-root data/imgs \ --out-json-file data/pseudo.json --kpt-thr 0.3

4. 人工修正：把伪标签结果导入 Label Studio，重点修遮挡关节、偏移的框和多人混淆点。
5. 转换与校验：导出 JSON 转 COCO，再可视化抽查：

# config.xml 即标注界面 Code 内容 python tools/dataset_converters/labelstudio2coco.py config.xml export.json data/coco.json # 抽样浏览标注结果 python tools/misc/browse_dataset.py <train_config> --not-show --output-dir data/vis

把图片文件夹和result.json放在同一目录，COCO 数据集就成型了。

进阶能力：按场景挑策略

• 密集多人场景：框重叠时先收紧--score-thr（0.5 起步往上试），再看 NMS；仍混乱就换 bottom-up 模型出点。
• 遮挡关键点：Label Studio 无法标"可见性"，转换脚本默认把非零点可见性置 2、原点 (0,0) 视为不可见（0）——所以被完全挡住的关节可以不标，脚本会正确处理。
• 质量提升：主动学习 ≈ 先全量做一遍，再挑错题重点练。按伪标签里关键点得分低的图像排序，优先人工复核这批"模型没把握"的样本，比平均用力省时间。
• 大规模处理：按场景类型（室内/室外）、人体密度拆分批次并行标注，每批用browse_dataset.py抽样校验后再合流。

高频坑与解法

选型建议：按规模分层

• 如果你只有几百张：Label Studio 纯人工 + 转换脚本即可，伪标签是可选加速项，别过度设计。
• 如果是1k–10k 的中等规模：直接走本文最小路径，伪标签全量出点、人工全量复核，这是性价比最高的一档。
• 如果是万级以上：按场景与人体密度拆批并行，叠加低置信度优先修正的主动学习策略，每批校验通过再合流。

需要说明的是，本文没覆盖：3D 关键点/网格标注、视频逐帧时序一致性校验，以及多人实时协同标注平台——3D 相关可另行参考仓库中 H3.6M 等数据集的配置与文档。

收尾

MMPose 标注工具链的价值就一句话：模型粗标、人工改错、脚本校验，把标注从体力活变成审核活。跑通 5 步路径后，建议顺手读一遍 docs/zh_cn/user_guides/label_studio.md 和数据集准备文档，再看demo/inferencer_demo.py验证你的数据能直接喂给推理接口。

【免费下载链接】mmposeOpenMMLab Pose Estimation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmpose