目前能下到的posenet模型有如下：

multi_person_mobilenet_v1_075_float.tflite 5MB

posenet_mobilenet_v1_100_257x257_multi_kpt_stripped.tflite 13MB

用后者在安卓和iphone6上测试，inference的时间平均大概是200ms和100ms。如果换成第一个模型，估计可以到100ms和60ms，仍然会耗费大量的cpu资源。

目前tflite可以使用gpu做代理，降低cpu的消耗，应该是一个不错的方案。

最有希望的是quant int8量化模型，但是官方并没有给出来，似乎float的tflite模型并无法直接量化为int8的模型，所以没办法。如果有根据以往的经验，推理时间可以降低3倍左右，即50ms左右，基本上可以短期使用了。

目前没有尝试。

后面会尝试将heatmap和short offset的做法合并到mobilenetv2+yolov3的模型上，重写loss函数，期望有不错的结果。代更...

实践证明，如果只是定位一个点，根本不需要要heatmap和offset来做，可以直接在conv 1x1的网格上生成置信值，更简单。问题在于当这个点在几个网格交接处时，置信度会下降，heatmap应该是为了解决这个问题而做的，但是肉眼看不到效果，所以选择更直接的算法，效果如下：红框为鼻子尖落入的grid框，绿点代表在框内偏移：

成功的例子1

侧面例子

有点偏

失败的例子

Ref:

https://arxiv.org/abs/1803.08225 the paper，并没有开源

https://medium.com/tensorflow/real-time-human-pose-estimation-in-the-browser-with-tensorflow-js-7dd0bc881cd5 一篇作者相关人士写的blog

https://github.com/scnuhealthy/Tensorflow_PersonLab 这是一个python很厉害的人基于论文写的一个方案，说他python厉害，是因为如下代码比较绕，需要模拟下才知道啥意思。。。值得读下代码，借鉴其loss方法和heatmap short offset的的实现。由于qt的问题，没跑起来。

def compute_heatmaps(kp_maps, short_offsets):

heatmaps = []

map_shape = kp_maps.shape[:2]

idx = np.rollaxis(np.indices(map_shape[::-1]), 0, 3).transpose((1,0,2))

for i in range(config.NUM_KP):

this_kp_map = kp_maps[:,:,i:i+1]

votes = idx + short_offsets[:,:,2*i:2*i+2]

votes = np.reshape(np.concatenate([votes, this_kp_map], axis=-1), (-1, 3))

heatmaps.append(accumulate_votes(votes, shape=map_shape) / (np.pi*config.KP_RADIUS**2))

return np.stack(heatmaps, axis=-1)