Stacked hourglass networks for human pose estimation: 📝笔记
根据配置文件: config-hourglass52_coco_256x256.py，可以知道整个姿态检测网络使用HourglassNet作为backbone，而使用了TopdownHeatmapMultiStageHead作为keypoint_head（关键点的预测头）。
在HourglassNet中，只涉及到了torch中的Conv2d和Upsample两种算子。其前向传播，输入为256*256*3的图像，输出为多个64*64*256的heatmap组成的list。输出的list是包含了网络中各个hourglass模块提取的特征。在配置文件中，HourglassNet仅仅只使用了一个hourglass模块，因此输出的list中仅包含一个heatmap。
在TopdownHeatmapMultiStageHead中，涉及到了ConvTranspose2d和Conv2d两种算子。其前向传播，输入为一个包含多个heatmap的list，然后通过多个预测头分别将其映射成64*64*17的预测图，并输出一个包含多个预测图的list。在配置文件中，TopdownHeatmapMultiStageHead仅仅只有一个stage，也就是只包含一个预测头；同时，反卷积数量也设置为0，因此该部分也仅仅只使用了Conv2d算子。
值得注意的是，对于keypoint_head，训练时调用forward的方法，而推理时调用其inference_model方法。可见TopDown pose dtector，其中抽象了训练和测试前向传播的流程，由backbone->neck->keypoint_head。
对于TopdownHeatmapMultiStageHead的inference_model方法，其在forward方法返回的list的基础上，取该list中的最后一个预测图作为输出。但是其在mmppse中的实现还涉及了flip_pairs操作，和将输出结果转至nd.array。上述这些在部署时是不需要的，因此在mmdeploy中对inference_model重写，删除了这些操作。
通过上述分析，可以看出在模型推理过程中仅仅涉及了如下三个torch算子，而它们在ONNX中均有对应的算子。
| torch | onnx11 |
|---|---|
| Conv2d | Conv |
| upsample_bilinear2d | Resize |
| ConvTranspose2d | ConvTranspose |
deploy config由三部分组成，分别是codebase_config，onnx_config，和backend_config。参见write_config.md。
codebase_config：其中mmdeploy已经支持了mmpose库的PoseDetection任务，可见codebase。
codebase_config = dict(type='mmpose', task='PoseDetection')onnx_config：hourglass对输入图像的尺寸有要求。
onnx_config = dict(input_shape=[256, 256])backend_config：使用ncnn或者ncnn-int8。
backend_config = backend_config = dict(type='ncnn', precision='FP32', use_vulkan=False)⚙️ 新增configs：configs
-
启动deploy.sh。 onnx, ncnn, ncnn-int8的模型会保存至work_dir下。
-
启动test_ncnn.sh/test_ncnn_int8.sh。在ncnn/ncnn_int8下评估模型精度。
🔧 测试结果：result.md。