Tensorflow Lite Posenet Demo

Tensorflow Lite姿势网或姿势估计是使用ML模型通过估计关键人体关节（关键点）的空间位置来从图像或视频估计人的姿势的任务。

姿势估计是指计算机视觉技术，可以检测图像和视频中的人物，以便例如确定某人的肘部出现在图像中的位置。重要的是要意识到以下事实：姿势估计仅估计关键人体关节的位置，而不能识别图像或视频中的人物。

PoseNet模型将经过处理的摄像机图像作为输入，并输出有关关键点的信息。检测到的关键点由零件ID索引，置信度得分在0.0到1.0之间。置信度得分表示关键点存在于该位置的概率。

绩效基准

性能因设备和输出步幅（热图和偏移矢量）而异。 PoseNet模型的图像大小不变，这意味着它可以预测与原始图像相同比例的姿势位置，而不管图像是否缩小。这意味着您将模型配置为具有较高的准确性，但会降低性能。

输出步幅决定了输出相对于输入图像大小按比例缩小的程度。它影响层的大小和模型输出。

输出步幅越高，网络和输出中各层的分辨率越小，相应地其精度也就越低。在此实现中，输出步幅可以具有8、16或32的值。换句话说，输出步幅32将导致最快的性能但最低的精度，而8将导致最高的精度但最慢的性能。推荐的起始值为16。