**# config yaml配置项说明** KeyPoint 使用时config文件配置项说明，以[tinypose_256x192.yml](../../configs/keypoint/tiny_pose/tinypose_256x192.yml)为例 ```yaml use_gpu: true #是否使用gpu训练 log_iter: 5 #打印log的iter间隔 save_dir: output #模型保存目录 snapshot_epoch: 10 #保存模型epoch间隔 weights: output/tinypose_256x192/model_final #测试加载模型路径（不含后缀“.pdparams”） epoch: 420 #总训练epoch数量 num_joints: &num_joints 17 #关键点数量 pixel_std: &pixel_std 200 #变换时相对比率像素（无需关注，不动就行） metric: KeyPointTopDownCOCOEval #metric评估函数 num_classes: 1 #种类数（检测模型用，不需关注） train_height: &train_height 256 #模型输入尺度高度变量设置 train_width: &train_width 192 #模型输入尺度宽度变量设置 trainsize: &trainsize [*train_width, *train_height] #模型输入尺寸，使用已定义变量 hmsize: &hmsize [48, 64] #输出热力图尺寸（宽，高） flip_perm: &flip_perm [[1, 2], [3, 4], [5, 6], [7, 8], [9, 10], [11, 12], [13, 14], [15, 16]] #左右关键点经图像翻转时对应关系，例如：图像翻转后，左手腕变成了右手腕，右手腕变成了左手腕 \#####model architecture: TopDownHRNet #模型框架结构类选择 TopDownHRNet: #TopDownHRNet相关配置 backbone: LiteHRNet #模型主干网络 post_process: HRNetPostProcess #模型后处理类 flip_perm: *flip_perm #同上flip_perm num_joints: *num_joints #关键点数量（输出通道数量） width: &width 40 #backbone输出通道数 loss: KeyPointMSELoss #loss函数选择 use_dark: true #是否使用DarkPose后处理 LiteHRNet: #LiteHRNet相关配置 network_type: wider_naive #网络结构类型选择 freeze_at: -1 #梯度截断branch id，截断则该branch梯度不会反传 freeze_norm: false #是否固定normalize层参数 return_idx: [0] #返回feature的branch id KeyPointMSELoss: #Loss相关配置 use_target_weight: true #是否使用关键点权重 loss_scale: 1.0 #loss比率调整，1.0表示不变 \#####optimizer LearningRate: #学习率相关配置 base_lr: 0.002 #初始基础学习率 schedulers: \- !PiecewiseDecay #衰减策略 ​ milestones: [380, 410] #衰减时间对应epoch次数 ​ gamma: 0.1 #衰减率 \- !LinearWarmup #Warmup策略 ​ start_factor: 0.001 #warmup初始学习率比率 ​ steps: 500 #warmup所用iter次数 OptimizerBuilder: #学习策略设置 optimizer: ​ type: Adam #学习策略Adam regularizer: ​ factor: 0.0 #正则项权重 ​ type: L2 #正则类型L2/L1 \#####data TrainDataset: #训练数据集设置 !KeypointTopDownCocoDataset #数据加载类 ​ image_dir: "" #图片文件夹,对应dataset_dir/image_dir ​ anno_path: aic_coco_train_cocoformat.json #训练数据Json文件，coco格式 ​ dataset_dir: dataset #训练数据集所在路径，image_dir、anno_path路径基于此目录 ​ num_joints: *num_joints #关键点数量，使用已定义变量 ​ trainsize: *trainsize #训练使用尺寸，使用已定义变量 ​ pixel_std: *pixel_std #同上pixel_std ​ use_gt_bbox: True #是否使用gt框 EvalDataset: #评估数据集设置 !KeypointTopDownCocoDataset #数据加载类 ​ image_dir: val2017 #图片文件夹 ​ anno_path: annotations/person_keypoints_val2017.json #评估数据Json文件，coco格式 ​ dataset_dir: dataset/coco #数据集路径，image_dir、anno_path路径基于此目录 ​ num_joints: *num_joints #关键点数量，使用已定义变量 ​ trainsize: *trainsize #训练使用尺寸，使用已定义变量 ​ pixel_std: *pixel_std #同上pixel_std ​ use_gt_bbox: True #是否使用gt框，一般测试时用 ​ image_thre: 0.5 #检测框阈值设置，测试时使用非gt_bbox时用 TestDataset: #纯测试数据集设置，无label !ImageFolder #数据加载类，图片文件夹类型 ​ anno_path: dataset/coco/keypoint_imagelist.txt #测试图片列表文件 worker_num: 2 #数据加载worker数量，一般2-4，太多可能堵塞 global_mean: &global_mean [0.485, 0.456, 0.406] #全局均值变量设置 global_std: &global_std [0.229, 0.224, 0.225] #全局方差变量设置 TrainReader: #训练数据加载类设置 sample_transforms: #数据预处理变换设置 ​ \- RandomFlipHalfBodyTransform: #随机翻转&随机半身变换类 ​ scale: 0.25 #最大缩放尺度比例 ​ rot: 30 #最大旋转角度 ​ num_joints_half_body: 8 #关键点小于此数不做半身变换 ​ prob_half_body: 0.3 #半身变换执行概率（满足关键点数量前提下） ​ pixel_std: *pixel_std #同上pixel_std ​ trainsize: *trainsize #训练尺度，同上trainsize ​ upper_body_ids: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10] #上半身关键点id ​ flip_pairs: *flip_perm #左右关键点对应关系，同上flip_perm ​ \- AugmentationbyInformantionDropping: ​ prob_cutout: 0.5 #随机擦除变换概率 ​ offset_factor: 0.05 #擦除位置中心点随机波动范围相对图片宽度比例 ​ num_patch: 1 #擦除位置数量 ​ trainsize: *trainsize #同上trainsize ​ \- TopDownAffine: ​ trainsize: *trainsize #同上trainsize ​ use_udp: true #是否使用udp_unbias（flip测试使用） ​ \- ToHeatmapsTopDown_DARK: #生成热力图gt类 ​ hmsize: *hmsize #热力图尺寸 ​ sigma: 2 #生成高斯核sigma值设置 batch_transforms: ​ \- NormalizeImage: #图像归一化类 ​ mean: *global_mean #均值设置，使用已有变量 ​ std: *global_std #方差设置，使用已有变量 ​ is_scale: true #图像元素是否除255.，即[0,255]到[0,1] ​ \- Permute: {} #通道变换HWC->CHW,一般都需要 batch_size: 128 #训练时batchsize shuffle: true #数据集是否shuffle drop_last: false #数据集对batchsize取余数量是否丢弃 EvalReader: sample_transforms: #数据预处理变换设置，意义同TrainReader ​ \- TopDownAffine: #Affine变换设置 ​ trainsize: *trainsize #训练尺寸同上trainsize，使用已有变量 ​ use_udp: true #是否使用udp_unbias，与训练需对应 batch_transforms: ​ \- NormalizeImage: #图片归一化，与训练需对应 ​ mean: *global_mean ​ std: *global_std ​ is_scale: true ​ \- Permute: {} #通道变换HWC->CHW batch_size: 16 #测试时batchsize TestReader: inputs_def: ​ image_shape: [3, *train_height, *train_width] #输入数据维度设置，CHW sample_transforms: ​ \- Decode: {} #图片加载 ​ \- TopDownEvalAffine: #Affine类，Eval时用 ​ trainsize: *trainsize #输入图片尺度 ​ \- NormalizeImage: #输入图像归一化 ​ mean: *global_mean #均值 ​ std: *global_std #方差 ​ is_scale: true #图像元素是否除255.，即[0,255]到[0,1] ​ \- Permute: {} #通道变换HWC->CHW batch_size: 1 #Test batchsize fuse_normalize: false #导出模型时是否内融合归一化操作（若是，预处理中可省略normalize，可以加快pipeline速度） ```