MediaPipe Pose是Google开发的一种基于深度学习的实时人体姿态估计模型。该模型能够通过单个RGB摄像头捕捉和跟踪人体的33个关键点，包括头部、躯干、四肢等部位。MediaPipe Pose使用了一个双阶段的架构，首先通过检测器定位人体的姿势区域，然后使用回归模型精确地估计每个关键点的位置。该模型具有高效、准确、实时的特点，能够在移动设备和边缘设备上运行，广泛应用于健身指导、动作识别、虚拟现实、增强现实等场景，为用户提供高质量的姿态估计和追踪体验。

源模型

• 输入尺寸: [1x3x128x128], [1x3x256x256]
• 参数量: 0.818M, 3.377M
• 模型大小: 3.40MB, 13.4MB
• 输出尺寸：[1x896x12,1x896x1], [1,1x31x4,1x128x128]

源模型仓库：MediaPipe-Pose

Model Farm 提供预编译好的模型资源以及推理代码，支持以下两种方式获取：

• 通过 Model Farm 页面获取：在右侧性能参考板块中点击模型 & 代码获取模型资源及代码包。

• 通过命令获取（推荐）：持有阿加犀开发板的用户，可以通过开发板内置的 MMS 工具获取模型资源及代码包。

# 模型查询
mms list [model name]

# 模型资源获取
mms get -m [model name] -p [precision] -c [soc] -b [backend] -d [file path]

MMS 具体使用请参考：MMS 使用 & 提前获取预览版块模型

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/{model_name}_{SoC Name}_{Precision}
    
    |__ models # folder where model files are stored    
    
    |__ code # aidlite python model inference example

        |__ python # aidlite python model inference example

        |__ cpp # aidlite cpp model inference example

        |__ README.md