我们对单人标注，训练模型后，模型本身是可以识别多人，并进行关键点识别的；这个事例中，是单人标注，多人识别。对于多人，你就按照正常标注就可以，比如，每个人的左脚踝都标注为l_ankle

您好，同学，注册coco实例是detectron2特有的。如果使用detectron2这个大框架的话，建议还是使用这个。如果我们使用【hrnet网络】 来进行人体关键点检测，就可以在理解代码的基础上，自由设计了

你好，同学，你非常认真。

1.首先，labelme标注出来的json文件，大致格式如下面部分。

{
  "version": "4.5.7",
  "flags": {},
  "shapes": [
    {
      "label": "l1",
      "points": [
        [
          296.9770114942529,
          644.1264367816092
        ]
      ],
      "group_id": null,
      "shape_type": "point",
      "flags": {}
    },
    {
      "label": "l2",
      "points": [
        [
          305.0229885057471,
          767.1149425287356
        ]
      ],
      "group_id": null,
      "shape_type": "point",
      "flags": {}
    },
    {
      "label": "l3",
      "points": [
        [
          307.32183908045977,
          901.5977011494253
        ]
      ],
      "group_id": null,
      "shape_type": "point",
      "flags": {}
    }
  ],
  "imagePath": "19657_0ead09ed32f2775592d081addb51a149_temp_finished.png",
  "imageData": 

2.其次，在此基础上，我们需要转化，使用 labelme2coco代码，将下面的json（很多标注文件），统一经过处理，转化为coco用文件。

3.详细可以看【训练集、测试集的制作】部分内容。 当然，我们生成的数据会有上面所提到的内容 ，比如

 "keypoints": [
                813.7272727272727,
                962.8181818181819,
                2,
                852.3636363636363,
                1217.3636363636363,
                2,
                727.3636363636363,
                1408.2727272727273,
                2,

4.最后，我们可以结合 labelme2coco.py文件，来综合分析所说的情况：0（没有标注）,   1 （遮挡）   ,       2 （正常显示）