當(dāng)我們訓(xùn)練姿勢(shì)估計(jì)模型，比較常用的數(shù)據(jù)集包括像COCO、MPII和CrowdPose這樣的公共數(shù)據(jù)集，但如果我們將其與不同計(jì)算機(jī)視覺任務(wù)（如對(duì)象檢測(cè)或分類）的公共可用數(shù)據(jù)集的數(shù)量進(jìn)行比較，就會(huì)發(fā)現(xiàn)可用的數(shù)據(jù)集并不多。姿態(tài)估計(jì)問題屬于一類比較復(fù)雜的問題，為神經(jīng)網(wǎng)絡(luò)模型建立一個(gè)合適的數(shù)據(jù)集是很困難的，圖像中每個(gè)人的每個(gè)關(guān)節(jié)都必須定位和標(biāo)記，這是一項(xiàng)瑣碎而費(fèi)時(shí)的任務(wù)。最流行的姿態(tài)估計(jì)數(shù)據(jù)集是COCO數(shù)據(jù)集，它有大約80類圖像和大約250000個(gè)人物實(shí)例。如果你檢查此數(shù)據(jù)集中的一些隨機(jī)圖像，你可能會(huì)遇到一些與要解決的問題無關(guān)的實(shí)例。學(xué)術(shù)界希望達(dá)到最高的精度，但在實(shí)際生產(chǎn)環(huán)境中并不總是如此。在現(xiàn)實(shí)世界中，我們可能更感興趣的是在非常特定的環(huán)境中工作良好的模型，例如行人、籃球運(yùn)動(dòng)員、健身房等。讓我們從COCO數(shù)據(jù)集中查看此圖像：

你看到紅點(diǎn)了嗎？這是關(guān)鍵點(diǎn)：鼻子。有時(shí)，你可能不希望網(wǎng)絡(luò)看到僅包含頭部一部分的示例，尤其是在幀的底部。在這篇文章中，我會(huì)向你展示COCO數(shù)據(jù)集的一個(gè)示例分析COCO數(shù)據(jù)集COCO數(shù)據(jù)集是用于許多計(jì)算機(jī)視覺任務(wù)的大規(guī)模通用數(shù)據(jù)集。150萬個(gè)對(duì)象實(shí)例，80個(gè)對(duì)象類別，25萬人——這些都讓這個(gè)數(shù)據(jù)集令人印象深刻。你可以在源站點(diǎn)上找到更多詳細(xì)信息，在那里你還可以下載所有必需的文件：https：／／cocodataset．org／數(shù)據(jù)集由圖像文件和注釋文件組成。注釋文件是一個(gè)JSON，包含關(guān)于一個(gè)人（或其他一些類別）的所有元數(shù)據(jù)。在這里我們會(huì)找到邊界框的位置和大小，區(qū)域，關(guān)鍵點(diǎn)，源圖像的文件名等。我們不必手動(dòng)解析JSON。有一個(gè)方便的Python庫可用使用，即pycocotools（https：／／github．com／cocodataset／cocoapi／tree／master／PythonAPI）我們需要train2017．zip（https：／／cocodataset．org／＃download），val2017．zip（https：／／cocodataset．org／＃download），annotations＿trainval2017．zip（https：／／cocodataset．org／＃download）具體來說，我們只需要人的注釋。zip中有兩個(gè)文件：annotations＿trainval2017．zip：person＿keypoints＿train2017．json和person＿keypoints＿val2017．json我建議將文件放在以下這個(gè)文件夾層次結(jié)構(gòu)中：dataset＿coco
  ｜－－－annotations
        ｜－－－person＿keypoints＿train2017．json
        ｜－－－person＿keypoints＿val2017．json
  ｜－－－train2017
        ｜－－－＊．jpg
  ｜－－－val2017
        ｜－－－＊．jpg
下面是顯示如何加載注釋的代碼：from pycocotools．coco import COCO
．．．
train＿annot＿path ＝ ＇dataset＿coco／annotations  ／person＿keypoints＿train2017．json＇
val＿annot＿path ＝ ＇dataset＿coco／annotations／person＿keypoints＿val2017．json＇
train＿coco ＝ COCO（train＿annot＿path） ＃ 加載訓(xùn)練集的注釋
val＿coco ＝ COCO（val＿annot＿path） ＃ 加載驗(yàn)證集的注釋
．．．
＃ 函數(shù)遍歷一個(gè)人的所有數(shù)據(jù)庫并逐行返回相關(guān)數(shù)據(jù)
def get＿meta（coco）：
   ids ＝ list（coco．imgs．keys（））
   for i， img＿id in enumerate（ids）：
       img＿meta ＝ coco．imgs［img＿id］
       ann＿ids ＝ coco．getAnnIds（imgIds＝img＿id）
       ＃ 圖像的基本參數(shù)
       img＿file＿name ＝ img＿meta［＇file＿name＇］
       w ＝ img＿meta［＇width＇］
       h ＝ img＿meta［＇height＇］
       ＃ 檢索當(dāng)前圖像中所有人的元數(shù)據(jù)
       anns ＝ coco．loadAnns（ann＿ids）
       yield ［img＿id， img＿file＿name， w， h， anns］
．．．
＃ 迭代圖像
for img＿id， img＿fname， w， h， meta in get＿meta（train＿coco）：
   ．．．
   ＃ 遍歷圖像的所有注釋
   for m in meta：
       ＃ m是字典
       keypoints ＝ m［＇keypoints＇］
       ．．．
．．．
首先，我們必須加載COCO對(duì)象，它是json數(shù)據(jù)的包裝器（第6－7行）在第11行，我們加載所有圖像標(biāo)識(shí)符。在接下來的幾行中，我們?yōu)槊總�(gè)圖像加載元數(shù)據(jù)，這是一個(gè)包含圖像寬度、高度、名稱、許可證等一般信息的詞典。在第14行，我們加載給定圖像的注釋元數(shù)據(jù)，這是一個(gè)字典列表，每個(gè)字典代表一個(gè)人。第27－32行顯示了如何加載整個(gè)訓(xùn)練集（train＿coco），類似地，我們可以加載驗(yàn)證集（val＿coco）將COCO轉(zhuǎn)換為Pandas數(shù)據(jù)幀讓我們將COCO元數(shù)據(jù)轉(zhuǎn)換為pandas數(shù)據(jù)幀，我們使用如matplotlib、sklearn 和pandas。這可用使得數(shù)據(jù)的過濾、可視化和操作變得更加容易，此外，我們還可以將數(shù)據(jù)導(dǎo)出為csv或parquet等。def convert＿to＿df（coco）：
   images＿data ＝ ［］
   persons＿data ＝ ［］