/ Модель

Характеристики

Лицензия
GPL 3.0
Библиотека
bboxmaskpose
Опубликована
29 июл 2025

BBoxMaskPose

Классификация и разметка3 профессии

BBox-Mask-Pose — набор моделей компьютерного зрения для обнаружения людей, сегментации экземпляров и оценки позы, особенно в плотных сценах.

1 795скачиваний за 30 дней7лайковвеса обновлены19 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BBox-Mask-Pose (BMP) — набор моделей и метод, разработанный Мirosлавом Пуркрабеком, Константином Коломиетсом и Иржи Матасом. Он связывает обнаружение людей, оценку позы и сегментацию экземпляров в цикл, где задачи взаимно уточняют результаты. В репозитории представлены варианты ViTPose, MaskPose, PMPose и дообученный RTMDet; модельная карточка указывает задачу обнаружения ключевых точек.

Модели предназначены для оценки позы нескольких людей на изображениях, в том числе в плотных и перекрывающихся сценах. MaskPose и PMPose используют RGB-изображение и маски сегментации экземпляров; RTMDet предсказывает рамки, маски и классы объектов. Варианты ViTPose и MaskPose используют backbone ViT-B и многослойный декодер; результаты позы представлены тепловыми картами или картами вероятностей ключевых точек. Метод обучался или оценивался на COCO, AIC, MPII и OCHuman. Это компьютерное зрение, поэтому естественный язык не требуется. Лицензия — GPL-3.0.

Подход с масками вместо рамок рассчитан на сцены с большим числом людей и может повысить качество оценки позы при перекрытиях. Вход MaskPose и PMPose включает предварительно оценённую сегментацию, поэтому результат зависит от качества масок; README не сообщает количественных метрик или требований к оборудованию.

Сценарии применения

  • оценка поз нескольких людей на изображении
  • определение ключевых точек тела в толпе
  • сегментация людей на изображении
  • обнаружение людей с рамками и масками
  • анализ поз при перекрытии людей

Ограничения

MaskPose и PMPose требуют оценённых масок сегментации, а качество позы может зависеть от их точности. В README не приведены количественные метрики качества.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image

Key contributions:

  1. MaskPose: a pose estimation model conditioned by segmentation masks instead of bounding boxes, boosting performance in dense scenes without adding parameters
    • Download pre-trained weights below
  2. PMPose: a pose estimation model conditioned by segmentation masks AND predicting full description of each keypoint. Combination of MaskPose and ProbPose (CVPR'25).
  3. BBox-MaskPose (BMP): method linking bounding boxes, segmentation masks, and poses to simultaneously address multi-body detection, segmentation and pose estimation
    • Try the demo!
  4. Fine-tuned RTMDet adapted for itterative detection (ignoring 'holes')
    • Download pre-trained weights below
  5. Support for multi-dataset training of ViTPose, previously implemented in the official ViTPose repository but absent in MMPose.

arXiv           GitHub repository           Project Website

For more details, see the GitHub repository.

📝 Models List

  1. ViTPose-b multi-dataset
  2. MaskPose
  3. PMPose
  4. fine-tuned RTMDet-l

See details of each model below.


1. ViTPose-B [multi-dataset]

  • Model type: ViT-b backbone with multi-layer decoder
  • Input: RGB images (192x256)
  • Output: Keypoints Coordinates (48x64 heatmap for each keypoint, 21 keypoints)
  • Language(s): Not language-dependent (vision model)
  • License: GPL-3.0
  • Framework: MMPose

Training Details

What's new? ViTPose trained on multiple datasets perform much better in multi-body (and crowded) scenarios than COCO-trained ViTPose. The model was trained in multi-dataset setup by authors before, this is reproduction compatible with MMPose 2.0.


2. MaskPose-1.1.0

  • Model type: ViT-b backbone with multi-layer decoder
  • Input: RGB images (192x256) + estimated instance segmentation
  • Output: Keypoints Coordinates (48x64 heatmap for each keypoint, 23 keypoints)
  • Language(s): Not language-dependent (vision model)
  • License: GPL-3.0
  • Framework: MMPose
  • Size(s): -S, -B, -L, -H

Training Details

What's new? Compared to ViTPose, MaskPose takes instance segmentation as an input and is even better in distinguishing instances in muli-body scenes. No computational overhead compared to ViTPose.

V1.0.0 vs. V1.1.0 The previous version (v1.0.0) predicted 21 keypoints and was trained using a different training recipe. V1.1.0 predicts 23 keypoints and improved training recipe with dataset balancing, which improves numbers.


3. PMPose-1.0.0

  • Model type: ViT-b backbone with multi-layer decoder
  • Input: RGB images (192x256) + estimated instance segmentation
  • Output: Keypoints Coordinates (48x64 probmap for each keypoint, 23 keypoints), Presence Probabilities, Visibilities, Expected OKS for each keypoint
  • Language(s): Not language-dependent (vision model)
  • License: GPL-3.0
  • Framework: MMPose
  • Size(s): -S, -B, -L, -H

Training Details

What's new? PMPose combines MaskPose-1.1.0 and ProbPose (CVPR'25). It is conditioned by masks and has superior in-crowd performance as MaskPose and also precicts proabilities and visibilities as ProbPose.


4. fine-tuned RTMDet-L

  • Model type: CSPNeXt-P5 backbone, CSPNeXtPAFPN neck, RTMDetInsSepBN head
  • Input: RGB images
  • Output: Detected instances -- bbox, instance mask and class for each
  • Language(s): Not language-dependent (vision model)
  • License: GPL-3.0
  • Framework: MMDetection

Training Details

What's new? RTMDet fine-tuned to ignore masked-out instances is designed for itterative detection. Especially effective in multi-body scenes where background would not be detected otherwise.

📄 Citation

If you use our work, please cite:

@InProceedings{BMPv2,
    author    = {Purkrabek, Miroslav and Kolomiiets, Constantin and Matas, Jiri},
    title     = {BBoxMaskPose v2: Expanding Mutual Conditioning to 3D},
    booktitle = {arXiv preprint arXiv:to be added},
    year      = {2026}
}
@InProceedings{Purkrabek2025ICCV,
    author    = {Purkrabek, Miroslav and Matas, Jiri},
    title     = {Detection, Pose Estimation and Segmentation for Multiple Bodies: Closing the Virtuous Circle},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
    month     = {October},
    year      = {2025}
}
@InProceedings{Kolomiiets2026CVWW,
    author    = {Kolomiiets, Constantin and Purkrabek, Miroslav and Matas, Jiri},
    title     = {SAM-pose2seg: Pose-Guided Human Instance Segmentation in Crowds},
    booktitle = {Computer Vision Winter Workshop (CVWW)},
    year      = {2026}
}

🧑‍💻 Authors

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · bboxmaskpose · keypoint-detection

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
cfc8905

0 моделей