尧图网页设计 
简介这是一份基于Python与PyTorch实现的超轻量OpenPose人体姿态检测源码面向计算机视觉初学者、课程设计或科研原型开发者可在普通CPU环境下实时定位人体25个关键点适用于运动分析、健康监测与虚拟现实交互等场景。资源包共51个文件约96.29MB包含20个py源码、11个pyc编译文件、5个mp4演示视频、4个xml配置、1个pth预训练模型及README、LICENSE等说明文档覆盖模型加载、推理脚本与训练入口下载后无需额外配置即可直接运行。目前已有3767人学习下载。项目采用CPU推理方案对无独立显卡的用户较为友好并附带预训练权重与示例视频便于快速验证效果、理解关键点检测流程也可作为二次开发与自定义数据集训练的起点。1. 拆开 pytorch-cpu-pose一份能跑 25FPS 的 CPU 姿态检测源码包上周有个做体感交互的朋友找我说他手头只有一台没有独显的办公本想跑人体姿态检测做原型验证问我有没有不依赖 GPU 的方案。我翻出这份 pytorch-cpu-pose 源码包丢给他半小时后他发来一段自己对着摄像头挥手、骨架跟着动的录屏。这就是这份资源的价值它把 OpenPose 那套多人关键点检测的推理链路用 PyTorch 重写并压到 CPU 上跑官方描述里给到的指标是 25FPS对实时视频流和网络摄像头输入来说够用了。它检测的是人体 25 个关键点覆盖头部、颈部、肩、肘、腕、腰、臀、膝、踝这些关节位置输出的是骨架连线结果。包里已经塞好了预训练权重 checkpoint_iter_370000.pth、几段测试视频1.mp4 到 5.mp4以及 requirements.txt下载解压后不用再额外找模型和素材。适合谁做运动分析、健康监测、虚拟交互、行为识别的开发者尤其是硬件受限、只想先验证算法可行性的人。不适合谁追求 GPU 高吞吐、要做多人密集场景工业级部署的这份 CPU 版本会顶到性能天花板。2. 环境搭建与依赖安装从 requirements.txt 到第一帧推理2.1 为什么是 PyTorch CPU 这套组合选型逻辑得先讲清楚不然装到一半容易怀疑人生。OpenPose 原版基于 Caffe编译门槛高Windows 上尤其折腾。这份源码换成 PyTorch好处是动态计算图调试直观、API 友好而且 PyTorch 的 CPU 推理后端对 x86 指令集做了优化配合 MKL 数学库单核性能能榨得比较干净。文件名里的 cpu 不是阉割版的意思而是明确告诉你它不依赖 CUDA省掉了显卡驱动、CUDA 版本、cuDNN 匹配这一整条玄学链路。代价也要说清楚CPU 推理的瓶颈在矩阵运算吞吐25FPS 是在特定分辨率、特定 CPU 上测出来的理想值。你的实际帧率取决于输入分辨率、CPU 主频和核心数。常见做法是先把输入缩到网络要求的尺寸再送推理别拿 1080P 原图硬怼。2.2 依赖安装的完整步骤先确认 Python 版本。requirements.txt 里通常锁定了 torch、torchvision、opencv-python、numpy 这几个核心包。我一般建议用 Python 3.8 到 3.10 之间的版本太新的 Python 有时会碰到 torch 轮子还没跟上。用虚拟环境隔离别污染系统环境# 创建并激活虚拟环境避免和系统里的包打架 python -m venv pose_env # Windows pose_env\Scripts\activate # Linux / macOS source pose_env/bin/activate # 升级 pip老版本 pip 装 torch 容易卡在解析依赖 python -m pip install --upgrade pip # 安装项目依赖-r 指向包里的 requirements.txt pip install -r requirements.txt逻辑说明venv 把这份项目的依赖关进独立房间后面就算装崩了直接删目录重来不用重装系统 Python。--upgrade pip这步很多人跳过结果 pip 解析 torch 的依赖树时反复回溯慢到以为死机。requirements.txt 是作者验证过的版本组合优先照它装别自己手动指定 torch 版本除非你明确知道要换。如果 pip 装 torch 太慢可以换国内镜像源这是常规操作# 临时指定清华源安装不修改全局配置 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple参数说明-i指定索引地址只对本次命令生效。想永久改就写进 pip.ini 或 pip.conf但我不建议因为不同项目对源的要求不一样全局改容易在别的项目上翻车。2.3 验证安装是否成功装完别急着跑 demo先做一次导入自检把问题挡在推理之前# check_env.py 环境自检脚本 import torch import cv2 import numpy as np print(torch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) # CPU 版这里应为 False print(opencv version:, cv2.__version__) print(numpy version:, np.__version__) # 构造一个随机张量做一次前向确认 CPU 后端能正常算 x torch.randn(1, 3, 368, 368) conv torch.nn.Conv2d(3, 16, kernel_size3, padding1) y conv(x) print(forward ok, output shape:, y.shape)逻辑说明torch.cuda.is_available()返回 False 是正常的说明你装的是 CPU 版不是装错了。最后那段随机张量前向是压力最小的冒烟测试能跑通说明 torch 的底层算子库加载正常。如果这里就报 DLL 缺失或非法指令多半是 CPU 不支持 AVX2 指令集或者装成了 GPU 版但没显卡驱动回到 2.2 重装 CPU 版轮子。3. 跑通 demo.py 与 main.py参数怎么设、结果怎么看3.1 两个入口脚本的分工包里有两个入口demo.py 和 main.py。按我的使用习惯demo.py 是快速验证脚本通常直接读一段视频或摄像头把骨架画出来给你看main.py 更偏向批量处理或带配置项的正式推理入口。运行.txt 里作者写了运行命令先看它别自己猜参数。先跑 demo最省事的路径# 用包内自带的测试视频跑一遍确认整条链路通 python demo.py --video 1.mp4 # 想接摄像头实时看效果把输入源换成摄像头编号 python demo.py --camera 0逻辑说明--video传视频文件路径脚本会逐帧读、逐帧推理、逐帧画骨架。--camera 0里的 0 是摄像头设备索引笔记本内置摄像头一般是 0外接的可能是 1 或 2枚举不到就往上试。这两个参数名是我按常见实现写的你以运行.txt 和 demo.py 里的 argparse 定义为准用python demo.py --help能列出全部可用参数。3.2 关键参数逐个说清姿态检测的推理质量八成取决于输入尺寸和置信度阈值这两个参数。下面这张表是我调这类模型时必看的几个参数作用调大后果调小后果输入分辨率送进网络前的缩放尺寸精度升、帧率降帧率升、小关节丢失置信度阈值关键点保留门槛漏检增多、骨架断误检增多、噪点骨架NMS 阈值多人骨架去重多人粘连同一人被拆成多个批大小一次推理的帧数内存涨、延迟高吞吐低、CPU 闲置置信度阈值是最容易翻车的地方。默认值通常在 0.1 到 0.3 之间室内光线差、人离镜头远的时候关键点置信度普遍偏低阈值设高了骨架直接断成几截看着像模型坏了其实是参数问题。我一般先把阈值压到 0.1 看全貌再往上调到骨架刚好稳定为止。3.3 输出结果怎么解读推理输出一般包含两部分关键点坐标加置信度以及关键点之间的连接关系PAF部分亲和场。画出来的骨架图里每个关节点是一个带分数的坐标连线表示肢体。判断结果好坏别只看画面上有没有骨架要看三件事关节位置是否贴合真实肢体、快速运动时骨架是否抖动、多人场景下骨架有没有串人。快速运动抖动是 CPU 版的常见现象因为帧率不够相邻帧之间姿态跳变被放大。缓解办法是加简单的时序平滑比如对每个关键点做滑动平均# 对关键点做 5 帧滑动平均抑制抖动 from collections import deque class KeypointSmoother: def __init__(self, window5): self.window window self.history {} # 每个关键点索引对应一个队列 def smooth(self, keypoints): result [] for idx, kp in enumerate(keypoints): if idx not in self.history: self.history[idx] deque(maxlenself.window) self.history[idx].append(kp) # 对窗口内的坐标取均值 arr np.array(self.history[idx]) result.append(arr.mean(axis0)) return result逻辑说明deque(maxlenwindow)自动丢弃超出窗口的旧帧不用手动管理长度。arr.mean(axis0)对窗口内所有帧的同一关键点求平均坐标。window 设 5 是帧率和延迟的折中设太大骨架会拖影设太小起不到平滑作用。注意这只对单人场景有效多人要先做 ID 关联再平滑否则会把不同人的点平均到一起。4. 避坑与排查CPU 姿态检测最容易翻车的五件事4.1 现象跑起来报缺少 pth 权重文件原因checkpoint_iter_370000.pth 没放在脚本预期的路径下。包里权重和脚本可能不在同一层目录或者你解压时把子目录结构打乱了。解决先确认权重文件的实际位置再看脚本里加载权重的路径参数。常见做法是用绝对路径或相对脚本的路径传进去别依赖当前工作目录。在项目根目录下运行脚本路径问题能少一半。4.2 现象帧率远低于 25FPS画面卡成幻灯片原因输入分辨率没降下来或者 CPU 被其他进程抢占。25FPS 是理想条件你拿 1080P 原图直接送网络计算量翻好几倍。解决先把输入缩到网络要求的尺寸常见是 368x368 或 656x368 这类再送推理。同时用任务管理器看 CPU 占用如果已经跑满关掉浏览器和其他吃 CPU 的程序。还想再快就降分辨率精度换帧率这是硬取舍。4.3 现象骨架连错人A 的手连到 B 的身上原因多人场景下 PAF 的关联匹配出错NMS 阈值或关联阈值设得不合适。解决调高 NMS 阈值让去重更激进或者限制检测人数上限。如果场景里人本来就少直接把最大检测人数设成 1 到 2能规避大部分串人问题。密集人群场景这份 CPU 版本身就不擅长别硬撑。4.4 现象关键点位置整体偏移骨架浮在人旁边原因预处理和后处理的坐标缩放没对齐。输入被缩放后推理输出坐标要按同样比例映射回原图这一步漏了或比例算错就会整体偏移。解决检查代码里 resize 的比例因子确保输出坐标乘的是同一个缩放系数的倒数。常见做法是把缩放比例存成变量前后处理共用别在两处各算一遍。4.5 现象装依赖时装上了 GPU 版 torch运行报 CUDA 相关错误原因pip 默认可能拉到带 CUDA 的 torch 轮子而你的机器没有可用显卡。解决明确安装 CPU 版用官方 CPU 索引# 强制安装 CPU 版 torch避免拉到 CUDA 版本 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu参数说明--index-url指向 PyTorch 官方的 CPU 轮子仓库装出来的包不带 CUDA 依赖。装完再用 2.3 的自检脚本确认torch.cuda.is_available()是 False。5. 进阶技巧把这份源码改成你自己的实时检测管线跑通 demo 只是起点真正要用起来得会改。第一个技巧是抽帧推理加跳帧显示。CPU 版帧率有限与其每帧都推理导致卡顿不如每 N 帧推理一次中间帧复用上一次的骨架结果叠加显示。视觉上流畅度反而更好因为骨架更新频率和画面刷新解耦了。# 每 3 帧推理一次中间帧复用上次结果 INFER_INTERVAL 3 last_keypoints None for frame_idx, frame in enumerate(video_stream): if frame_idx % INFER_INTERVAL 0: last_keypoints model_infer(frame) # 只在间隔帧做推理 if last_keypoints is not None: draw_skeleton(frame, last_keypoints) # 每帧都画复用结果 show(frame)逻辑说明INFER_INTERVAL控制推理频率设 3 表示每 3 帧算一次。last_keypoints缓存上一次结果中间帧直接拿来画。这个技巧在 CPU 场景下收益明显代价是快速动作时骨架有轻微滞后间隔越大滞后越明显自己按场景权衡。第二个技巧是导出关键点序列做下游分析。姿态检测本身不是终点运动分析、动作计数、姿态比对才是。把每帧的 25 个关键点坐标按时间轴存成结构化数据后面接什么分析都方便# 把关键点序列存成 CSV方便后续做动作分析 import csv with open(keypoints.csv, w, newline) as f: writer csv.writer(f) header [frame] for i in range(25): header [fkp{i}_x, fkp{i}_y, fkp{i}_score] writer.writerow(header) for frame_idx, kps in enumerate(all_keypoints): row [frame_idx] for kp in kps: row [kp[0], kp[1], kp[2]] # x, y, 置信度 writer.writerow(row)逻辑说明表头按「帧号 每个关键点的 x/y/置信度」展开25 个点就是 75 列加 1 列帧号。存成 CSV 后用 pandas 读进来就能算关节角度、动作幅度、左右对称性这些指标。置信度列别丢做分析时按置信度过滤掉不可靠的点比直接拿坐标算准得多。验证改动是否有效我习惯用同一段视频跑改前改后两版对比帧率和骨架稳定性。帧率看平均处理时间稳定性看关键点坐标的帧间方差方差越小越稳。别凭肉眼感觉数据说话。最后说个我自己的习惯。这份源码我每次重新部署到新机器上都会先跑一遍 2.3 的环境自检再拿 1.mp4 跑 demo 确认链路通最后才接自己的摄像头和业务逻辑。跳过自检直接上业务出问题时你分不清是环境、模型还是代码的锅排查成本翻几倍。从那以后我每次换机器部署这类推理项目都强制走一遍「自检 → 样例视频 → 真实输入」这三步省下的时间远比那几分钟多。希望帮到你。本文还有配套的精品资源点击获取 CPU 也能跑 25FPS 人体姿态检测：pytorch-cpu-pose 源码包实战指南
简介这是一份基于Python与PyTorch实现的超轻量OpenPose人体姿态检测源码面向计算机视觉初学者、课程设计或科研原型开发者可在普通CPU环境下实时定位人体25个关键点适用于运动分析、健康监测与虚拟现实交互等场景。资源包共51个文件约96.29MB包含20个py源码、11个pyc编译文件、5个mp4演示视频、4个xml配置、1个pth预训练模型及README、LICENSE等说明文档覆盖模型加载、推理脚本与训练入口下载后无需额外配置即可直接运行。目前已有3767人学习下载。项目采用CPU推理方案对无独立显卡的用户较为友好并附带预训练权重与示例视频便于快速验证效果、理解关键点检测流程也可作为二次开发与自定义数据集训练的起点。1. 拆开 pytorch-cpu-pose一份能跑 25FPS 的 CPU 姿态检测源码包上周有个做体感交互的朋友找我说他手头只有一台没有独显的办公本想跑人体姿态检测做原型验证问我有没有不依赖 GPU 的方案。我翻出这份 pytorch-cpu-pose 源码包丢给他半小时后他发来一段自己对着摄像头挥手、骨架跟着动的录屏。这就是这份资源的价值它把 OpenPose 那套多人关键点检测的推理链路用 PyTorch 重写并压到 CPU 上跑官方描述里给到的指标是 25FPS对实时视频流和网络摄像头输入来说够用了。它检测的是人体 25 个关键点覆盖头部、颈部、肩、肘、腕、腰、臀、膝、踝这些关节位置输出的是骨架连线结果。包里已经塞好了预训练权重 checkpoint_iter_370000.pth、几段测试视频1.mp4 到 5.mp4以及 requirements.txt下载解压后不用再额外找模型和素材。适合谁做运动分析、健康监测、虚拟交互、行为识别的开发者尤其是硬件受限、只想先验证算法可行性的人。不适合谁追求 GPU 高吞吐、要做多人密集场景工业级部署的这份 CPU 版本会顶到性能天花板。2. 环境搭建与依赖安装从 requirements.txt 到第一帧推理2.1 为什么是 PyTorch CPU 这套组合选型逻辑得先讲清楚不然装到一半容易怀疑人生。OpenPose 原版基于 Caffe编译门槛高Windows 上尤其折腾。这份源码换成 PyTorch好处是动态计算图调试直观、API 友好而且 PyTorch 的 CPU 推理后端对 x86 指令集做了优化配合 MKL 数学库单核性能能榨得比较干净。文件名里的 cpu 不是阉割版的意思而是明确告诉你它不依赖 CUDA省掉了显卡驱动、CUDA 版本、cuDNN 匹配这一整条玄学链路。代价也要说清楚CPU 推理的瓶颈在矩阵运算吞吐25FPS 是在特定分辨率、特定 CPU 上测出来的理想值。你的实际帧率取决于输入分辨率、CPU 主频和核心数。常见做法是先把输入缩到网络要求的尺寸再送推理别拿 1080P 原图硬怼。2.2 依赖安装的完整步骤先确认 Python 版本。requirements.txt 里通常锁定了 torch、torchvision、opencv-python、numpy 这几个核心包。我一般建议用 Python 3.8 到 3.10 之间的版本太新的 Python 有时会碰到 torch 轮子还没跟上。用虚拟环境隔离别污染系统环境# 创建并激活虚拟环境避免和系统里的包打架 python -m venv pose_env # Windows pose_env\Scripts\activate # Linux / macOS source pose_env/bin/activate # 升级 pip老版本 pip 装 torch 容易卡在解析依赖 python -m pip install --upgrade pip # 安装项目依赖-r 指向包里的 requirements.txt pip install -r requirements.txt逻辑说明venv 把这份项目的依赖关进独立房间后面就算装崩了直接删目录重来不用重装系统 Python。--upgrade pip这步很多人跳过结果 pip 解析 torch 的依赖树时反复回溯慢到以为死机。requirements.txt 是作者验证过的版本组合优先照它装别自己手动指定 torch 版本除非你明确知道要换。如果 pip 装 torch 太慢可以换国内镜像源这是常规操作# 临时指定清华源安装不修改全局配置 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple参数说明-i指定索引地址只对本次命令生效。想永久改就写进 pip.ini 或 pip.conf但我不建议因为不同项目对源的要求不一样全局改容易在别的项目上翻车。2.3 验证安装是否成功装完别急着跑 demo先做一次导入自检把问题挡在推理之前# check_env.py 环境自检脚本 import torch import cv2 import numpy as np print(torch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) # CPU 版这里应为 False print(opencv version:, cv2.__version__) print(numpy version:, np.__version__) # 构造一个随机张量做一次前向确认 CPU 后端能正常算 x torch.randn(1, 3, 368, 368) conv torch.nn.Conv2d(3, 16, kernel_size3, padding1) y conv(x) print(forward ok, output shape:, y.shape)逻辑说明torch.cuda.is_available()返回 False 是正常的说明你装的是 CPU 版不是装错了。最后那段随机张量前向是压力最小的冒烟测试能跑通说明 torch 的底层算子库加载正常。如果这里就报 DLL 缺失或非法指令多半是 CPU 不支持 AVX2 指令集或者装成了 GPU 版但没显卡驱动回到 2.2 重装 CPU 版轮子。3. 跑通 demo.py 与 main.py参数怎么设、结果怎么看3.1 两个入口脚本的分工包里有两个入口demo.py 和 main.py。按我的使用习惯demo.py 是快速验证脚本通常直接读一段视频或摄像头把骨架画出来给你看main.py 更偏向批量处理或带配置项的正式推理入口。运行.txt 里作者写了运行命令先看它别自己猜参数。先跑 demo最省事的路径# 用包内自带的测试视频跑一遍确认整条链路通 python demo.py --video 1.mp4 # 想接摄像头实时看效果把输入源换成摄像头编号 python demo.py --camera 0逻辑说明--video传视频文件路径脚本会逐帧读、逐帧推理、逐帧画骨架。--camera 0里的 0 是摄像头设备索引笔记本内置摄像头一般是 0外接的可能是 1 或 2枚举不到就往上试。这两个参数名是我按常见实现写的你以运行.txt 和 demo.py 里的 argparse 定义为准用python demo.py --help能列出全部可用参数。3.2 关键参数逐个说清姿态检测的推理质量八成取决于输入尺寸和置信度阈值这两个参数。下面这张表是我调这类模型时必看的几个参数作用调大后果调小后果输入分辨率送进网络前的缩放尺寸精度升、帧率降帧率升、小关节丢失置信度阈值关键点保留门槛漏检增多、骨架断误检增多、噪点骨架NMS 阈值多人骨架去重多人粘连同一人被拆成多个批大小一次推理的帧数内存涨、延迟高吞吐低、CPU 闲置置信度阈值是最容易翻车的地方。默认值通常在 0.1 到 0.3 之间室内光线差、人离镜头远的时候关键点置信度普遍偏低阈值设高了骨架直接断成几截看着像模型坏了其实是参数问题。我一般先把阈值压到 0.1 看全貌再往上调到骨架刚好稳定为止。3.3 输出结果怎么解读推理输出一般包含两部分关键点坐标加置信度以及关键点之间的连接关系PAF部分亲和场。画出来的骨架图里每个关节点是一个带分数的坐标连线表示肢体。判断结果好坏别只看画面上有没有骨架要看三件事关节位置是否贴合真实肢体、快速运动时骨架是否抖动、多人场景下骨架有没有串人。快速运动抖动是 CPU 版的常见现象因为帧率不够相邻帧之间姿态跳变被放大。缓解办法是加简单的时序平滑比如对每个关键点做滑动平均# 对关键点做 5 帧滑动平均抑制抖动 from collections import deque class KeypointSmoother: def __init__(self, window5): self.window window self.history {} # 每个关键点索引对应一个队列 def smooth(self, keypoints): result [] for idx, kp in enumerate(keypoints): if idx not in self.history: self.history[idx] deque(maxlenself.window) self.history[idx].append(kp) # 对窗口内的坐标取均值 arr np.array(self.history[idx]) result.append(arr.mean(axis0)) return result逻辑说明deque(maxlenwindow)自动丢弃超出窗口的旧帧不用手动管理长度。arr.mean(axis0)对窗口内所有帧的同一关键点求平均坐标。window 设 5 是帧率和延迟的折中设太大骨架会拖影设太小起不到平滑作用。注意这只对单人场景有效多人要先做 ID 关联再平滑否则会把不同人的点平均到一起。4. 避坑与排查CPU 姿态检测最容易翻车的五件事4.1 现象跑起来报缺少 pth 权重文件原因checkpoint_iter_370000.pth 没放在脚本预期的路径下。包里权重和脚本可能不在同一层目录或者你解压时把子目录结构打乱了。解决先确认权重文件的实际位置再看脚本里加载权重的路径参数。常见做法是用绝对路径或相对脚本的路径传进去别依赖当前工作目录。在项目根目录下运行脚本路径问题能少一半。4.2 现象帧率远低于 25FPS画面卡成幻灯片原因输入分辨率没降下来或者 CPU 被其他进程抢占。25FPS 是理想条件你拿 1080P 原图直接送网络计算量翻好几倍。解决先把输入缩到网络要求的尺寸常见是 368x368 或 656x368 这类再送推理。同时用任务管理器看 CPU 占用如果已经跑满关掉浏览器和其他吃 CPU 的程序。还想再快就降分辨率精度换帧率这是硬取舍。4.3 现象骨架连错人A 的手连到 B 的身上原因多人场景下 PAF 的关联匹配出错NMS 阈值或关联阈值设得不合适。解决调高 NMS 阈值让去重更激进或者限制检测人数上限。如果场景里人本来就少直接把最大检测人数设成 1 到 2能规避大部分串人问题。密集人群场景这份 CPU 版本身就不擅长别硬撑。4.4 现象关键点位置整体偏移骨架浮在人旁边原因预处理和后处理的坐标缩放没对齐。输入被缩放后推理输出坐标要按同样比例映射回原图这一步漏了或比例算错就会整体偏移。解决检查代码里 resize 的比例因子确保输出坐标乘的是同一个缩放系数的倒数。常见做法是把缩放比例存成变量前后处理共用别在两处各算一遍。4.5 现象装依赖时装上了 GPU 版 torch运行报 CUDA 相关错误原因pip 默认可能拉到带 CUDA 的 torch 轮子而你的机器没有可用显卡。解决明确安装 CPU 版用官方 CPU 索引# 强制安装 CPU 版 torch避免拉到 CUDA 版本 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu参数说明--index-url指向 PyTorch 官方的 CPU 轮子仓库装出来的包不带 CUDA 依赖。装完再用 2.3 的自检脚本确认torch.cuda.is_available()是 False。5. 进阶技巧把这份源码改成你自己的实时检测管线跑通 demo 只是起点真正要用起来得会改。第一个技巧是抽帧推理加跳帧显示。CPU 版帧率有限与其每帧都推理导致卡顿不如每 N 帧推理一次中间帧复用上一次的骨架结果叠加显示。视觉上流畅度反而更好因为骨架更新频率和画面刷新解耦了。# 每 3 帧推理一次中间帧复用上次结果 INFER_INTERVAL 3 last_keypoints None for frame_idx, frame in enumerate(video_stream): if frame_idx % INFER_INTERVAL 0: last_keypoints model_infer(frame) # 只在间隔帧做推理 if last_keypoints is not None: draw_skeleton(frame, last_keypoints) # 每帧都画复用结果 show(frame)逻辑说明INFER_INTERVAL控制推理频率设 3 表示每 3 帧算一次。last_keypoints缓存上一次结果中间帧直接拿来画。这个技巧在 CPU 场景下收益明显代价是快速动作时骨架有轻微滞后间隔越大滞后越明显自己按场景权衡。第二个技巧是导出关键点序列做下游分析。姿态检测本身不是终点运动分析、动作计数、姿态比对才是。把每帧的 25 个关键点坐标按时间轴存成结构化数据后面接什么分析都方便# 把关键点序列存成 CSV方便后续做动作分析 import csv with open(keypoints.csv, w, newline) as f: writer csv.writer(f) header [frame] for i in range(25): header [fkp{i}_x, fkp{i}_y, fkp{i}_score] writer.writerow(header) for frame_idx, kps in enumerate(all_keypoints): row [frame_idx] for kp in kps: row [kp[0], kp[1], kp[2]] # x, y, 置信度 writer.writerow(row)逻辑说明表头按「帧号 每个关键点的 x/y/置信度」展开25 个点就是 75 列加 1 列帧号。存成 CSV 后用 pandas 读进来就能算关节角度、动作幅度、左右对称性这些指标。置信度列别丢做分析时按置信度过滤掉不可靠的点比直接拿坐标算准得多。验证改动是否有效我习惯用同一段视频跑改前改后两版对比帧率和骨架稳定性。帧率看平均处理时间稳定性看关键点坐标的帧间方差方差越小越稳。别凭肉眼感觉数据说话。最后说个我自己的习惯。这份源码我每次重新部署到新机器上都会先跑一遍 2.3 的环境自检再拿 1.mp4 跑 demo 确认链路通最后才接自己的摄像头和业务逻辑。跳过自检直接上业务出问题时你分不清是环境、模型还是代码的锅排查成本翻几倍。从那以后我每次换机器部署这类推理项目都强制走一遍「自检 → 样例视频 → 真实输入」这三步省下的时间远比那几分钟多。希望帮到你。本文还有配套的精品资源点击获取