这是EfficientPose的官方实现。我们的工作基于Keras EfficientDet实现xuannianz/EfficientDet，后者又基于Keras RetinaNet实现fizyr/keras-retinanet、官方EfficientDet实现google/automl和qubvel/efficientnet。

1.  克隆该存储库
2. 
   创建一个带有 conda create -n EfficientPose python==3.7 的新环境
3. 
   激活该环境： conda activate EfficientPose
4. 
   安装Tensorflow 1.15.0与 conda install tensorflow-gpu==1.15.0
5. 
   前往存储库目录并使用 pip install -r requirements.txt 安装其他依赖项
6. 
   使用Cython编译模块 python setup.py build_ext --inplace

您可以从这里下载Linemod和Occlusion数据集以及预训练权重。只需解压缩Linemod_and_Occlusion.zip文件，然后按照以下说明使用这些数据集进行训练或评估。

该数据集最初是从j96w/DenseFusion和chensong1995/HybridPose下载的，并使用 generate_masks.py 脚本进行了预处理。EfficientDet COCO预训练权重来自xuannianz/EfficientDet。

使用COCO预训练权重在Linemod的对象8（钻头）上训练phi = 0 EfficientPose模型：

python train.py --phi 0 --weights /path_to_weights/file.h5 linemod /path_to_dataset/Linemod_preprocessed/ --object-id 8

使用COCO预训练权重在遮挡上训练 phi = 0 的 EfficientPose 模型：

python train.py --phi 0 --weights /path_to_weights/file.h5 occlusion /path_to_dataset/Linemod_preprocessed/

请查看train.py以获取更多参数。

评估在Linemod的物体8（钻头）上训练的phi = 0 EfficientPose模型，并（可选）保存预测的图像：

python evaluate.py --phi 0 --weights /path_to_weights/file.h5 --validation-image-save-path /where_to_save_predicted_images/ linemod /path_to_dataset/Linemod_preprocessed/ --object-id 8

评估经过训练的 phi = 0 EfficientPose 模型在遮挡情况下的表现，并（可选）保存预测的图像：

python evaluate.py --phi 0 --weights /path_to_weights/file.h5 --validation-image-save-path /where_to_save_predicted_images/ occlusion /path_to_dataset/Linemod_preprocessed/

如果你不想保存预测图像，只需跳过--validation-image-save-path参数。

我们还提供了两个基本脚本，演示了训练好的EfficientPose模型的示例用法。使用 python inference.py ，您可以在目录中的所有图像上运行EfficientPose。所需的参数，例如图像路径和模型，可以在 inference.py 脚本中进行修改。

使用 python inference_webcam.py ，您可以通过网络摄像头实时运行EfficientPose。请注意，您必须使用此脚本（Linemod）中使用的内在摄像头参数替换您的摄像头参数。由于Linemod和遮挡数据集太小，无法期望在现实世界中获得合理的6D姿态估计性能，而且很多人可能没有与Linemod中使用的完全相同的物体（就像我一样），您可以尝试在屏幕上显示Linemod图像，并用网络摄像头拍摄它。

要在您的计算机上测量EfficientPose的运行时间，您可以使用 python benchmark_runtime.py 。所需的参数，例如模型路径，可以在 benchmark_runtime.py 脚本中修改。同样，您也可以使用 benchmark_runtime_vanilla_effdet.py 脚本在您的计算机上测量vanilla EfficientDet的运行时间。 重试    错误原因

如果您想修改生成器或构建新的自定义数据集，显示从生成器加载的数据集注释可能非常有帮助，以确保一切按预期工作。 重试    错误原因

python debug.py --phi 0 --annotations linemod /path_to_dataset/Linemod_preprocessed/ --object-id 8

您可以显示加载和增强的图像，以及为Linemod数据集的对象8准备的phi = 0模型的注释。请参阅debug.py以获取更多参数。 重试    错误原因

如果您在研究中使用了EfficientPose，请引用它 重试    错误原因

@misc{bukschat2020efficientpose,
      title={EfficientPose: An efficient, accurate and scalable end-to-end 6D multi object pose estimation approach}, 
      author={Yannick Bukschat and Marcus Vetter},
      year={2020},
      eprint={2011.04307},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

EfficientPose在知识共享署名-非商业性使用4.0国际许可证下授权，并可供非商业用途免费使用。有关详细信息，请参阅许可证。如果您有商业用途的兴趣，请通过yannick.bukschat@stw.de或marcus.vetter@stw.de与我们联系。