PyMAF效果评估完全指南COCO关键点定位与3DPW评测指标一次讲透【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAFPyMAF 是 ICCV 2021 Oral 论文《3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop》的官方开源实现只需一张 RGB 图像即可回归出人体 3D 姿态与体型SMPL 模型参数。想验证模型效果项目提供了两条官方评测线——COCO 关键点定位2D 视角与3DPW 三维姿态评测3D 视角。本文带你跑通评测流程并把 AP、MPJPE、PVE 等每个指标一次讲透。为什么是 COCO 3DPW 这两条评测线评测线数据集考察能力核心指标2D 关键点COCO val2014回归结果投影回图像后的定位精度AP 及其变体3D 姿态3DPW野外真实场景真实相机参数下的 3D 姿态/体型精度MPJPE、PVE、Reconstruction Error两条线互补COCO 告诉你投影到 2D 后准不准3DPW 告诉你真实 3D 空间里偏多少毫米。第一步准备评测环境git clone https://gitcode.com/gh_mirrors/py/PyMAF conda create --no-default-packages -n pymafx python3.8 conda activate pymafx pip install -r requirements.txt然后按README.md说明放置数据运行bash fetch_data.sh获取mesh_downsampling.npz与 DensePose UV 数据SMPL 模型文件放入data/smpl/SMPL_NEUTRAL.pkl等官方预训练权重放入data/pretrained_model/PyMAF_model_checkpoint.ptCOCO 评测还需coco_2014_val.npz放入data/dataset_extras/ 目录结构以core/path_config.py中的定义为准数据路径都在这里统一管理。第二步COCO 关键点定位评测评测原理从 3D 回投 2D执行入口是根目录的eval_coco.py流程分四步网络输出 SMPL 参数24 组旋转矩阵、10 维体型 betas、3 维弱透视相机参数前向 SMPL 模型得到关节点通过core/constants.py中的J24_TO_JCOCO映射表取出 COCO 的 17 个关键以焦距 5000 做透视投影把 3D 关节投回 224×224 图像再经transform_preds还原到原图坐标写入 COCO 标准 JSON 结果文件调用 pycocotools 的 keypoints 评测器打分运行评测命令python3 eval_coco.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt想可视化每张图的重建结果可追加--vis_demo。AP 指标详解 评测完成后datasets/coco_keypoint_dataset.py中的evaluate与_do_python_keypoint_eval会输出 10 项指标以 Markdown 表格形式打印可直接贴进论文指标含义AP主指标在各 OKS 阈值下的平均精度越高越好AP .5 / AP .75分别在 OKS 阈值 0.5 / 0.75 处的 APAP (M) / AP (L)中等 / 大体型目标的 APAR / AR .5 / AR .75各阈值下的平均召回率AR (M) / AR (L)中等 / 大体型目标的召回率关键点OKSObject Keypoint Similarity是 COCO 专用的 IoU 替代——按关键点人体尺度归一化欧氏距离来判定检测对没对距离越小得分越接近 1。第三步3DPW 三维姿态评测三大指标一次讲透 执行入口是eval.py3DPW 评测最终打印三个指标单位统一为毫米即米 ×1000数值越小越好MPJPEMean Per Joint Position Error14 个关节的 3D 位置平均误差。计算前先以骨盆为基准平移对齐消除全局位置差异只比较姿态本身PVEPer Vertex ErrorSMPL 网格每个顶点的平均 3D 误差。注意 3DPW 的 GT 网格会按性别选用smpl_male/smpl_female比中性模型更精确见eval.py中性别分支Reconstruction Error又称 pa-MPJPE先用相似变换缩放旋转平移即 Procrustes 对齐实现在utils/pose_utils.py的reconstruction_error把预测对齐到 GT再算关节误差——它衡量姿态形状本身准不准剔除全局尺度/旋转的影响 一句话区分MPJPE 看摆得对不对Reconstruction Error 看形状对不对PVE 看整个网格贴合得如何。运行评测命令python3 eval.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt --dataset3dpw --log_freq20--log_freq20控制每 20 个 batch 打印一次中间结果--dataset还支持h36m-p1、h36m-p2、mpi-inf-3dhp、3doh50k、lsp等数据集指标体系一致LSP 额外评测 Mask / Parts 的 Accuracy 与 F1。评测速查表指标所属评测单位方向AP / AP .5 / AP .75COCO0~1越高越好 ✅AR 系列COCO0~1越高越好 ✅MPJPE3DPWmm越低越好 ✅PVE3DPWmm越低越好 ✅Reconstruction Error3DPWmm越低越好 ✅实用技巧 对比 HMR 基线两个评测脚本都支持--regressor hmr一行命令切换回归器方便复现论文中的基线对比加速评测用--batch_size 64调大批量默认 32保存结果eval.py加--result_file xxx.npz可导出 SMPL 姿态、体型、相机参数方便二次分析可视化输出--vis_demo的结果统一落在notebooks/output/demo_results/目录UV 对齐可视化逻辑在utils/uv_vis.py超参调整评测相关的测试批量等默认值定义在configs/pymaf_config.yaml常见问题 ❓QCOCO 的 AP 和 3DPW 的 MPJPE 哪个更能代表模型水平A不冲突。AP 反映回归→投影→2D 定位的整条链路MPJPE 反映野外场景下真实的 3D 精度发表结果时两条线通常都要报。Q为什么 3DPW 的 GT 关节要从网格回归计算A3DPW 本身只标注 SMPL 参数评测时先用 GT 参数前向出网格再通过J_regressor得到 14 个关节保证与预测端完全同口径。Q评测报错找不到数据文件怎么办A对照core/path_config.py检查data/dataset_extras/、data/smpl/、data/pretrained_model/三处路径与文件名是否齐全。按本文流程走完你就能得到与论文同口径的完整评测结果——COCO 的 10 项 AP/AR 指标加上 3DPW 的 3 项毫米级误差足以支撑任何一次严肃的模型对比。【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 PyMAF效果评估完全指南：COCO关键点定位与3DPW评测指标一次讲透
PyMAF效果评估完全指南COCO关键点定位与3DPW评测指标一次讲透【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAFPyMAF 是 ICCV 2021 Oral 论文《3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop》的官方开源实现只需一张 RGB 图像即可回归出人体 3D 姿态与体型SMPL 模型参数。想验证模型效果项目提供了两条官方评测线——COCO 关键点定位2D 视角与3DPW 三维姿态评测3D 视角。本文带你跑通评测流程并把 AP、MPJPE、PVE 等每个指标一次讲透。为什么是 COCO 3DPW 这两条评测线评测线数据集考察能力核心指标2D 关键点COCO val2014回归结果投影回图像后的定位精度AP 及其变体3D 姿态3DPW野外真实场景真实相机参数下的 3D 姿态/体型精度MPJPE、PVE、Reconstruction Error两条线互补COCO 告诉你投影到 2D 后准不准3DPW 告诉你真实 3D 空间里偏多少毫米。第一步准备评测环境git clone https://gitcode.com/gh_mirrors/py/PyMAF conda create --no-default-packages -n pymafx python3.8 conda activate pymafx pip install -r requirements.txt然后按README.md说明放置数据运行bash fetch_data.sh获取mesh_downsampling.npz与 DensePose UV 数据SMPL 模型文件放入data/smpl/SMPL_NEUTRAL.pkl等官方预训练权重放入data/pretrained_model/PyMAF_model_checkpoint.ptCOCO 评测还需coco_2014_val.npz放入data/dataset_extras/ 目录结构以core/path_config.py中的定义为准数据路径都在这里统一管理。第二步COCO 关键点定位评测评测原理从 3D 回投 2D执行入口是根目录的eval_coco.py流程分四步网络输出 SMPL 参数24 组旋转矩阵、10 维体型 betas、3 维弱透视相机参数前向 SMPL 模型得到关节点通过core/constants.py中的J24_TO_JCOCO映射表取出 COCO 的 17 个关键以焦距 5000 做透视投影把 3D 关节投回 224×224 图像再经transform_preds还原到原图坐标写入 COCO 标准 JSON 结果文件调用 pycocotools 的 keypoints 评测器打分运行评测命令python3 eval_coco.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt想可视化每张图的重建结果可追加--vis_demo。AP 指标详解 评测完成后datasets/coco_keypoint_dataset.py中的evaluate与_do_python_keypoint_eval会输出 10 项指标以 Markdown 表格形式打印可直接贴进论文指标含义AP主指标在各 OKS 阈值下的平均精度越高越好AP .5 / AP .75分别在 OKS 阈值 0.5 / 0.75 处的 APAP (M) / AP (L)中等 / 大体型目标的 APAR / AR .5 / AR .75各阈值下的平均召回率AR (M) / AR (L)中等 / 大体型目标的召回率关键点OKSObject Keypoint Similarity是 COCO 专用的 IoU 替代——按关键点人体尺度归一化欧氏距离来判定检测对没对距离越小得分越接近 1。第三步3DPW 三维姿态评测三大指标一次讲透 执行入口是eval.py3DPW 评测最终打印三个指标单位统一为毫米即米 ×1000数值越小越好MPJPEMean Per Joint Position Error14 个关节的 3D 位置平均误差。计算前先以骨盆为基准平移对齐消除全局位置差异只比较姿态本身PVEPer Vertex ErrorSMPL 网格每个顶点的平均 3D 误差。注意 3DPW 的 GT 网格会按性别选用smpl_male/smpl_female比中性模型更精确见eval.py中性别分支Reconstruction Error又称 pa-MPJPE先用相似变换缩放旋转平移即 Procrustes 对齐实现在utils/pose_utils.py的reconstruction_error把预测对齐到 GT再算关节误差——它衡量姿态形状本身准不准剔除全局尺度/旋转的影响 一句话区分MPJPE 看摆得对不对Reconstruction Error 看形状对不对PVE 看整个网格贴合得如何。运行评测命令python3 eval.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt --dataset3dpw --log_freq20--log_freq20控制每 20 个 batch 打印一次中间结果--dataset还支持h36m-p1、h36m-p2、mpi-inf-3dhp、3doh50k、lsp等数据集指标体系一致LSP 额外评测 Mask / Parts 的 Accuracy 与 F1。评测速查表指标所属评测单位方向AP / AP .5 / AP .75COCO0~1越高越好 ✅AR 系列COCO0~1越高越好 ✅MPJPE3DPWmm越低越好 ✅PVE3DPWmm越低越好 ✅Reconstruction Error3DPWmm越低越好 ✅实用技巧 对比 HMR 基线两个评测脚本都支持--regressor hmr一行命令切换回归器方便复现论文中的基线对比加速评测用--batch_size 64调大批量默认 32保存结果eval.py加--result_file xxx.npz可导出 SMPL 姿态、体型、相机参数方便二次分析可视化输出--vis_demo的结果统一落在notebooks/output/demo_results/目录UV 对齐可视化逻辑在utils/uv_vis.py超参调整评测相关的测试批量等默认值定义在configs/pymaf_config.yaml常见问题 ❓QCOCO 的 AP 和 3DPW 的 MPJPE 哪个更能代表模型水平A不冲突。AP 反映回归→投影→2D 定位的整条链路MPJPE 反映野外场景下真实的 3D 精度发表结果时两条线通常都要报。Q为什么 3DPW 的 GT 关节要从网格回归计算A3DPW 本身只标注 SMPL 参数评测时先用 GT 参数前向出网格再通过J_regressor得到 14 个关节保证与预测端完全同口径。Q评测报错找不到数据文件怎么办A对照core/path_config.py检查data/dataset_extras/、data/smpl/、data/pretrained_model/三处路径与文件名是否齐全。按本文流程走完你就能得到与论文同口径的完整评测结果——COCO 的 10 项 AP/AR 指标加上 3DPW 的 3 项毫米级误差足以支撑任何一次严肃的模型对比。【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考