上文搭建了YOLO7开发环境，并进行了物体定位测试。参见：YOLO7环境搭建、代码测试。本文将介绍如何使用YOLO7进行姿势识别。

1. 预训练模型

下载YOLO7姿势识别预训练模型（点击下载）,将下载的yolov7-w6-pose.pt放到YOLO7项目根目录下。

2. 测试代码

在项目跟目录下，新建文件pos_reg.py，并输入如下代码：

# 姿势识别# 导入类库import matplotlib.pyplot as pltimport torchimport cv2from torchvision import transformsimport numpy as npfrom utils.datasets import letterboxfrom utils.general import non_max_suppression_kptfrom utils.plots import output_to_keypoint, plot_skeleton_kpts# 加载模型device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")weigths = torch.load('yolov7-w6-pose.pt')model = weigths['model']model = model.half().to(device)_ = model.eval()# 读取图片image = cv2.imread('./person.jpg')image = letterbox(image, 960, stride=64, auto=True)[0]image_ = image.copy()image = transforms.ToTensor()(image)image = torch.tensor(np.array([image.numpy()]))image = image.to(device)image = image.half()# 姿势识别output, _ = model(image)# 输出结果output = non_max_suppression_kpt(output, 0.25, 0.65, nc=model.yaml['nc'], nkpt=model.yaml['nkpt'], kpt_label=True)output = output_to_keypoint(output)nimg = image[0].permute(1, 2, 0) * 255nimg = nimg.cpu().numpy().astype(np.uint8)nimg = cv2.cvtColor(nimg, cv2.COLOR_RGB2BGR)for idx in range(output.shape[0]):plot_skeleton_kpts(nimg, output[idx, 7:].T, 3)# 保存结果cv2.imwrite("pos_reg.jpg",nimg)

3. 运行代码

找一张图片放到项目根目录下(示例图片下载)，命名为person.jpg。打开并运行pos_reg.py，运行完成后会输出pos_reg.jpg，即姿势识别后的图片。

4. 问题

如果提示错误：RuntimeError: Can’t call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead.，则需修改utils/plots.py的442行和443行，将将cpu().numpy()修改为cpu().detach().numpy()：

def output_to_keypoint(output):# Convert model output to target format [batch_id, class_id, x, y, w, h, conf]targets = []for i, o in enumerate(output):kpts = o[:,6:]o = o[:,:6]# 将cpu().numpy()修改为cpu().detach().numpy()for index, (*box, conf, cls) in enumerate(o.cpu().detach().numpy()): targets.append([i, cls, *list(*xyxy2xywh(np.array(box)[None])), conf, *list(kpts.cpu().detach().numpy()[index])])return np.array(targets)