MedicalKeypointsDetection

MedicalKeypointsDetecion/README.md

@@ -28,14 +28,20 @@
 |-------- model                               // 存放模型
 |-------- main.py                             // 主程序  
 |-------- pipeline                               
-|           |---- model1.pipeline              // 模型1pipeline配置文件
-|           |---- model2.pipeline              // 模型2pipeline配置文件 
+|           |---- fasterrcnn.pipeline              // 模型1pipeline配置文件
+|           |---- hrnet.pipeline              // 模型2pipeline配置文件 
 |-------- evaluate.py                         // 精度测试程序
 |-------- README.md 
 |-------- run.sh
 ```
 
+### 1.4 特性及适用场景
 
+本案例可以满足医学场景下的人体关键点检测，但同时对输入的图像有以下限制：
+
+1. 输入图像要求为 jpg、jpeg、JPG、JPEG编码格式。
+2. 输入图像有且仅能存在一个人体。
+3. 输入图像只针对特定体态进行识别，建议从提供的测试图片或根据对应体态自行拍摄图片进行测试，保证背景简单。
 
 ## 2 环境依赖
 
@@ -163,6 +169,8 @@ SAVEPATH = '' #测试结果保存路径,图片保存路径需提前手动创建
 **步骤2** 修改evaluate.py中的测试集图片存放路径：
 
 ```
+coco_anno = ' ' #485行，修改为测试集的标注文件路径
+coco_anno = ' ' #557行，修改为测试集的标注文件路径
 IMAGEFOLDER = ' ' #677行，修改为测试集的路径
 FILE_ANNO = ' ' #678行，修改为测试集的标注文件路径
 TXT = '' #689行，体位分类情况,请提前在文件夹对应位置创建同名文本文件
@@ -222,4 +230,4 @@ python3.9 evaluate.py
 
 性能测试结果如下：
 
-在整个测试集上进行模型2(hrnet-w48)推理花费时间为116s，fps=3651/116=31.47.原modelzoo下的hrnet-w48在五百张图片上推理耗时551s，fps=1.1.可见本模型在模型上的优化可以很好的提升性能。
+在整个测试集上进行性能测试，未进行模型1的推理时间统计，模型2(hrnet-w48)的推理总花费时间为116s，fps=3651/116=31.47.原modelzoo下的hrnet-w48在五百张图片上推理耗时551s，fps=1.1.可见本模型在模型上的优化可以很好的提升性能。

MedicalKeypointsDetecion/evaluate.py

@@ -890,7 +890,7 @@ if __name__ == '__main__':
             keyVec.push_back(KEYS_2)
         time1 = time.time()
         infer_result = streamManagerApi.GetProtobuf(STREAM_NAME_2, 0, keyVec)
-        INFER_TOTAL_TIME = time.time() - time1
+        INFER_TOTAL_TIME += time.time() - time1
         tensorList = MxpiDataType.MxpiTensorPackageList()
         tensorList.ParseFromString(infer_result[0].messageBuf)
         keypoint_outputs = np.frombuffer(