炼丹日记03-疑惑解答：为何姿态估计模型训练时的验证集需要独立的bbox文件？

问题提出

我训练的姿态估计模型是ViTPose，是一种自顶向下的姿态估计方法，人话就是先把人给框出来，然后再对这个框进行模型推理，获得最终的关键点:

因此，理论上来说，标注数据仅仅需要bbox和关键点坐标就可以了。但是我在写ViTPose训练配置文件的时候，我发现了一个匪夷所思的现象：

我发现官方的训练文档中的val_dataloader指定了bbox_file为COCO_val2017_Detections.json，但是这东西不应该在ann_file里面中就给了吗？很奇怪，我抱着怀疑的态度把这两个json文件对比了一下，发现val_dataloader对应的JSON文件确实也有bbox的信息，不过在相同图片下，他们的bbox的坐标和大小有微小的不同，这下真把我整蒙了。

问题解答

后来找了各种资料之后才理解到底为什么要这么做：

• person_keypints_val2017里面的是“标准答案”， 是从人工标注里面的数据切分出来的，用于最后的模型评估。
• 而COCO_val2017_detections是由一个指定的检测器生成的。

对于不同的姿态检测模型，如果检测的bbox框质量不同，那么就会直接直接影响到验证推理时候的keypoints位置，因此就很难公平的比较它们实际的keypoints预测能力。所以，为了让所有的模型都能在统一的bbox起跑线上，自顶向下的姿态估计模型在训练的时候都要统一使用这个bbox_file。

至于为什么不用person_keypoints_val2017里面的bbox，我觉得是在模拟一个完整的机器预测情况：从检测框的生成到关键点的生成全部都由机器负责，排除人的参与，才能真正体现整个top-down模型方法的性能如何。