【OpenMMLab 社区开放麦】开播啦！！！技术下饭番追起来，每周一个新芝士。欢迎广大社区同学加入直播间参与讨论的同时，也非常鼓励社区同学拿起话筒登上舞台，社区知识开放麦等你来玩~

本期精彩速递

人体姿态估计一直是计算机视觉领域的核心任务之一。去年，RTMPose 发布以后，作为该领域内将速度-精度平衡做到最好的高性能实时姿态估计模型，深受学术界和工业界社区用户的喜爱。但是，作为二阶段模型，RTMPose 推理时间随画面中人数增加，在多人场景下难以做到实时推理。此外，随着 AIGC 领域的迅猛发展，全身姿态估计对于 Pose-guided 图像生成而言至关重要，精准的全身姿态估计可以极大改善 AI 生成的人像手部失真问题。

针对这些需求，MMPose 团队推出了全新的 RTMPose 模型------单阶段模型 RTMO 和全身姿态估计模型 RTMW。RTMO 在多人场景下能稳定地进行实时推理，且在多人拥挤场景能达到 SOTA 水平；RTMW 首次在 COCO-Wholebody 上取得高于 70 的 AP，其手部关键点检测精度更是远远高于之前的全身姿态估计模型。本次社区开放麦，特别邀请到 MMPose 团队带来 RTMPose 模型的精彩分享，团队会首先介绍 RTMO 和 RTMW 的原理和使用方式。最后，将会分享如何用 MMPose 研发 SOTA 算法的技巧和心得。

更多精彩内容请锁定本周四晚 20：00 的社区开放麦直播。

分享大纲

单阶段实时多人姿态估计 SOTA 方法 RTMO
全身姿态估计 SOTA 方法 RTMW
如何用 MMPose 研发新算法

分享时间

北京时间

2023 年 1 月 18 日（周四）

20: 00 - 20: 40（分享）

20: 40 - 21: 00（Q&A）

分享嘉宾

Lupeng：清华深研院研究生，MMPose 开发者

Tau：MMPose 负责人，香港中文大学计算机硕士，主要研究方向为 Human-centric 感知任务与大语言模型。知乎id：镜子。

内容详情

单阶段实时多人姿态估计RTMO

目前主流的实时姿态估计工具都是基于二阶段自顶向下（e.g. RTMPose, TinyPose）或者单阶段（e.g. YOLO-Pose）架构的。前者推理时间随人数增长，后者目前精度还比较低。RTMO 将 RTMPose 的坐标分类方法与 YOLOX 架构进行了结合，将 YOLO 架构的单阶段姿态估计模型的精度提升到了和二阶段模型 RTMPose 相近的水平，同时保持了在多人场景中的实时推理速度。

本次分享中，MMPose 团队会介绍 RTMO 的两个核心机制（动态坐标分类机制、基于极大似然估计设计的坐标分类损失函数）的设计思路、结构细节，以及在将坐标分类方法与 YOLO 架构结合过程中碰到的问题及解决方式。

全身姿态估计RTMW

针对全身姿态估计场景，MMPose 团队对原本的 RTMPose 结构进行了优化，极大提升了全身姿态估计的精度。我们将介绍 RTMW 的模型结构、数据组织方式，并分享全身姿态估计优化的经验和总结。

用 MMPose 做算法研发的 tips

最后，我们会分享如何用 MMPose 进行算法研发，包括

如何方便地进行对比实验
如何进行姿态估计模型部署和测速
如何用 MMPose 进行多数据集混合训练探索模型的性能极限
...

更多精彩内容，请锁定本周四晚 20：00 社区开放麦直播间，现场为你揭秘 RTMPose 模型的神秘面纱。

交流群

同时为了方便大家交流沟通，我们建立了相关的交流群，本期分享的大佬也在群里哦，可与大佬进行 1v1 沟通，扫码即可入群~

学术与应用两开花——RTMO & RTMW 工作介绍与 MMPose 使用经验分享