OpenPose Demo 命令行实战指南：从图像、视频到 3D 重建的完整上手指南-酒店常州论坛

OpenPose Demo 命令行实战指南：从图像、视频到 3D 重建的完整上手指南

【免费下载链接】openposeOpenPose: Real-time multi-person keypoint detection library for body, face, hands, and foot estimation项目地址: https://gitcode.com/gh_mirrors/op/openpose

OpenPose 是面向人体、人脸、手部与脚部关键点检测的实时多人姿态估计库。本文以仓库 doc/01_demo.md 为骨架，完整讲解如何直接运行官方 Demo（无需改动任何源码）：覆盖图像目录、视频、摄像头、IP 摄像头等多输入源的切换，JSON/图片/视频/界面多种输出方式，多 GPU 并行、最高精度配置、3D 重建与帧间跟踪，以及内存不足等常见问题的排查方案。读完本文，你将能够独立使用openpose.bin（Windows 下为OpenPoseDemo.exe）跑通任意输入源，并依据业务场景自由组合参数。

准备工作：可执行程序与示例素材

官方 Demo 的启动方式有三种，任选其一即可：

Windows 便携版：直接使用bin\OpenPoseDemo.exe，详见 doc/installation/0_index.md 中的 Windows Portable Demo 小节，无需编译；
源码编译产物：在项目根目录执行 CMake 构建后，使用build/examples/openpose/openpose.bin（Windows 下为build\x64\Release\OpenPoseDemo.exe）；
Visual Studio 调试运行：若使用 Visual Studio 构建，需要先把bin/*.dll拷贝到最终的 DLL 输出目录（见 doc/installation/0_index.md 的 Windows 小节），或直接修改 include/openpose/flags.hpp 中的默认 flag 值。

运行任何命令时，请务必确认当前处于项目根目录（即 OpenPose 文件夹本身，而不是build/、windows/或bin/）。仓库自带的示例素材已就绪：examples/media/video.avi（示例视频）与examples/media/（约 20 张示例图片），因此无需修改任何代码即可直接体验。

从源码层面看，Demo 的程序入口在 examples/openpose/openpose.cpp：main()首先调用gflags::ParseCommandLineFlags解析命令行 flag，随后进入openPoseDemo()，由 configureWrapper 把全部 flag 依次映射到WrapperStructPose、WrapperStructFace、WrapperStructHand、WrapperStructExtra、WrapperStructInput、WrapperStructOutput、WrapperStructGui等配置结构体，最终通过opWrapper.exec()启动线程流水线。

快速开始：跑通第一个 Demo

在项目根目录执行以下命令，预期可视化结果与 doc/02_output.md 的 UI and Visual Output 小节展示的效果一致：

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin --video examples/media/video.avi

:: Windows - Portable Demo bin\OpenPoseDemo.exe --video examples/media/video.avi

如果你使用 Visual Studio 构建并已正确拷贝 DLL，则可以这样运行：

:: Windows - Library - 前提：已按 doc/installation/0_index.md#windows 小节拷贝 DLL build\x64\Release\OpenPoseDemo.exe --video examples/media/video.avi

如果运行失败，按以下顺序排查：

报错为内存不足（out of memory）时，参见后文「改善内存与速度（牺牲精度）」小节；
使用 Mac 时，先确认「Mac OSX 附加步骤」小节；
其余错误先查阅 doc/05_faq.md 中的 FAQ。

切换输入源：图像目录、视频与摄像头

OpenPose 支持三种最常见的输入源，对应三个互斥的输入 flag。

图像目录（--image_dir {目录路径}）：

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin --image_dir examples/media/

:: Windows - Portable Demo bin\OpenPoseDemo.exe --image_dir examples/media/

视频文件（--video {视频路径}）：

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin --video examples/media/video.avi

:: Windows - Portable Demo bin\OpenPoseDemo.exe --video examples/media/video.avi

摄像头（默认输入源）：不指定--image_dir或--video时默认使用摄像头；机器上有多台摄像头时用--camera {编号}指定：

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin ./build/examples/openpose/openpose.bin --camera 0 ./build/examples/openpose/openpose.bin --camera 1

:: Windows - Portable Demo bin\OpenPoseDemo.exe bin\OpenPoseDemo.exe --camera 0 bin\OpenPoseDemo.exe --camera 1

此外，include/openpose/flags.hpp 中还有--ip_camera用于读取支持 RTSP / HTTP 协议的流媒体摄像头。输入源的选择逻辑集中在 examples/openpose/openpose.cpp：flagsToProducer会依据--image_dir、--video、--ip_camera、--camera、--flir_camera的组合决定最终的ProducerType。摄像头分辨率由--camera_resolution控制，默认-1x-1即使用 OpenCV 的默认 1280x720。

一键开启人脸与手部关键点检测

在任意命令后追加--face和/或--hand即可：

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin --image_dir examples/media/ --face --hand ./build/examples/openpose/openpose.bin --video examples/media/video.avi --face --hand ./build/examples/openpose/openpose.bin --face --hand

:: Windows - Portable Demo bin\OpenPoseDemo.exe --image_dir examples/media/ --face --hand bin\OpenPoseDemo.exe --video examples/media/video.avi --face --hand bin\OpenPoseDemo.exe --face --hand

源码层面的对应关系：--face与--hand分别控制 examples/openpose/openpose.cpp 中的WrapperStructFace与WrapperStructHand。开启后人脸与手部网络会共享--model_folder指定的模型目录（对应仓库中的models/face/pose_deploy.prototxt与models/hand/pose_deploy.prototxt）。需要留意的是：

开启后人脸/手部检测速度与图中人数强相关，人数越多越慢；
手部网络的分辨率由--hand_net_resolution（默认368x368，需为 16 的倍数且为正方形）控制；官方实测--hand_scale_number 6 --hand_scale_range 0.4组合精度最佳；
人脸网络分辨率由--face_net_resolution（默认368x368）控制，多人脸场景下320x320通常可在几乎不掉精度的前提下显著提速。

输出配置：JSON、图片、视频与界面可以自由组合

OpenPose 的各类输出相互独立、互补叠加：是否在界面显示骨架与是否把结果写入磁盘互不影响。

保存 JSON 关键点数据（--write_json {输出目录}），JSON 格式说明见 doc/02_output.md：

# Ubuntu 和 Mac（Windows 下 flag 相同） ./build/examples/openpose/openpose.bin --image_dir examples/media/ --write_json output_jsons/ ./build/examples/openpose/openpose.bin --video examples/media/video.avi --write_json output_jsons/ ./build/examples/openpose/openpose.bin --write_json output_jsons/

每个 JSON 文件对应一帧画面，包含people数组，每人包含pose_keypoints_2d、face_keypoints_2d、hand_left_keypoints_2d、hand_right_keypoints_2d，以及开启--3d后的*_keypoints_3d（格式为x,y,z,c），还可在开启--part_candidates时额外输出组装为人体之前的部位候选。具体字段样例见 doc/02_output.md 的 JSON Output Format 小节。坐标的归一化范围由--keypoint_scale决定（0=原始输入分辨率，1=网络输出分辨率，2=最终输出分辨率，3=[0,1]，4=[-1,1]）。

把带骨架的渲染结果保存为视频或图片（--write_video {视频路径}/--write_images {输出目录}）：

# Ubuntu 和 Mac（Windows 下 flag 相同） ./build/examples/openpose/openpose.bin --video examples/media/video.avi --write_video output/result.avi ./build/examples/openpose/openpose.bin --image_dir examples/media/ --write_video output/result.avi ./build/examples/openpose/openpose.bin --video examples/media/video.avi --write_images output_images/ ./build/examples/openpose/openpose.bin --video examples/media/video.avi --write_images output_images/ --write_images_format jpg ./build/examples/openpose/openpose.bin --image_dir examples/media/ --write_images output_images/ ./build/examples/openpose/openpose.bin --image_dir examples/media/ --write_images output_images/ --write_images_format jpg

--write_images_format默认png，可改为jpg、bmp等 OpenCVcv::imwrite支持的扩展名；--write_video内部使用cv::VideoWriter，输出路径必须以.avi结尾（motion JPEG 编码）。

关闭 GUI 窗口（--display 0）：适合服务器环境或轻微提速。但注意：关闭显示后必须指定至少一种磁盘输出（--write_json、--write_video、--write_images三选一），否则程序无输出可写：

# Ubuntu 和 Mac（Windows 下 flag 相同） ./build/examples/openpose/openpose.bin --video examples/media/video.avi --write_images output_images/ --display 0

进一步提速：--display 0且不使用--write_video/--write_images时，可追加--render_pose 0跳过骨架叠加渲染，节省渲染开销：

# Ubuntu 和 Mac（Windows 下 flag 相同） ./build/examples/openpose/openpose.bin --video examples/media/video.avi --write_json output_jsons/ --display 0 --render_pose 0

另外提醒：--write_keypoint已被官方标记为废弃（源码 include/openpose/flags.hpp 中注明 "Deprecated, usewrite_json"），examples/openpose/openpose.cpp 在检测到该 flag 时也会打印弃用警告，新项目请一律使用--write_json。

纯骨架渲染：去掉背景图像

追加--disable_blending后，渲染结果（骨架或热力图）将绘制在纯黑背景上，而不是叠加到原始图像：

# Ubuntu 和 Mac（Windows 下 flag 相同） # 仅人体骨架 ./build/examples/openpose/openpose.bin --video examples/media/video.avi --disable_blending

该 flag 的定义见 include/openpose/flags.hpp，与--part_to_show、--alpha_pose、--alpha_heatmap相互关联：--part_to_show选择可视化通道（0=全部部位，1=背景热力图，2=热力图叠加，3=PAF 叠加，之后依次为各部位热力图与各部位对 PAF），--alpha_pose与--alpha_heatmap控制 GPU 渲染下的混合透明度。

多 GPU 并行：控制使用哪些显卡

默认情况下 OpenPose 会使用机器上所有可用 GPU。--num_gpu指定使用的 GPU 总数，--num_gpu_start指定起始 GPU 编号。例如--num_gpu 2 --num_gpu_start 1表示使用 GPU ID 1 和 2、跳过 GPU ID 0（需机器至少有 3 块 GPU）：

:: Windows - Portable Demo（Ubuntu 和 Mac 下 flag 相同） bin\OpenPoseDemo.exe --video examples/media/video.avi --num_gpu 2 --num_gpu_start 1

对应源码 include/openpose/flags.hpp：--num_gpu为负数时自动使用全部 GPU；--num_gpu_start默认 0。

最高精度配置

以下命令是目前官方在人体、手部、人脸关键点检测上能达到的最高精度配置：

# Ubuntu 和 Mac：仅人体 ./build/examples/openpose/openpose.bin --net_resolution "1312x736" --scale_number 4 --scale_gap 0.25 # Ubuntu 和 Mac：人体 + 手 + 人脸 ./build/examples/openpose/openpose.bin --net_resolution "1312x736" --scale_number 4 --scale_gap 0.25 --hand --hand_scale_number 6 --hand_scale_range 0.4 --face

:: Windows - Portable Demo：仅人体 bin\OpenPoseDemo.exe --net_resolution "1312x736" --scale_number 4 --scale_gap 0.25 :: Windows - Portable Demo：人体 + 手 + 人脸 bin\OpenPoseDemo.exe --net_resolution "1312x736" --scale_number 4 --scale_gap 0.25 --hand --hand_scale_number 6 --hand_scale_range 0.4 --face

硬件与模型硬性要求：

必须使用BODY_25（默认模型，定义于 include/openpose/flags.hpp）；COCO精度略低但仍可用；MPI不支持该配置（精度与速度都会下降）；
需要至少 16 GB 显存的 Nvidia GPU，具体分档如下：
- BODY_25（人体 + 脚，默认模型）：约 10.5 GB，如 Titan X(P)、部分 Quadro、P100、V100；
- BODY_25+ 人脸 + 手：约 16 GB，如 V100；
- COCO人体 + 人脸 + 手：约 6.7 GB，如 2070、2080；
CPU / OpenCL 模式无法运行该配置，唯一替代方案是手动裁剪每个人、缩放后喂入默认 OpenPose。

补充信息：

官方文档记载：该配置在 Titan X 上约 2 FPS（BODY_25），COCO约 1 FPS；
盲目增大--net_resolution会大幅降低速度，且不保证精度提升，因此官方建议只使用这里给出的确切 flag 与取值；
--maximize_positives（不推荐，风险自负）会降低人体候选的接受阈值，牺牲视觉/定性精度以换取 COCO 挑战的数值精度。其底层实现在 src/openpose/pose/poseParameters.cpp：开启后 NMS 阈值由 0.05 降至 0.02、连接筛选阈值由 0.95 降至 0.75、部位连接阈值由 0.05 降至 0.01、最小子集数量由 3 降至 2、最小子集得分由 0.4 降至 0.05，直观表现是同时增加假阳性与真阳性（最大化平均召回率、可能损害平均精度），视觉上明显变差但挑战数值提升；
Ubuntu 用户可查看官方用于精度测试的实验脚本（非官方支持，可能随时变动）：scripts/tests/pose_accuracy_coco_test_dev.sh与scripts/tests/pose_accuracy_coco_val.sh。

附加模型：更高精度（BODY_25B）

官方论文中的精度数字与默认模型并不一致——论文发布时释放的是当时的最佳模型，之后又找到了更好的模型。如需更高精度的BODY_25B预训练模型，可从 OpenPose 训练仓库下载「Option 1（最大精度、较慢）」版本。该模型精度更高，但更慢、占用更多显存，且必须使用 Nvidia GPU 版本。

附加模型：更少假阳性（BODY_25B）

若需要假阳性更少、但运行性能与显存要求不变的模型，可从 OpenPose 训练仓库下载BODY_25B预训练模型的「Option 2（推荐）」版本。同样必须使用 Nvidia GPU 版本。

3D 重建：多视角立体视觉实战

3D 重建依赖多相机系统（如 FLIR/Point-Grey 立体相机），并把同一人体的关键点在多个视角间三角化。以下按官方文档的五个步骤展开。

1. 实时 3D Demo

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin --flir_camera --3d --number_people_max 1 # 带人脸与手部 ./build/examples/openpose/openpose.bin --flir_camera --3d --number_people_max 1 --face --hand

:: Windows - Portable Demo bin\OpenPoseDemo.exe --flir_camera --3d --number_people_max 1 :: 带人脸与手部 bin\OpenPoseDemo.exe --flir_camera --3d --number_people_max 1 --face --hand

注意：--3d模式只显示 1 个人，画面中存在多人时会失败，因此必须搭配--number_people_max 1。该模式对应 examples/openpose/openpose.cpp 中WrapperStructExtra的--3d与--3d_min_views配置。

2. 保存 3D 关键点与视频

# Ubuntu 和 Mac（Windows 下 flag 相同） ./build/examples/openpose/openpose.bin --flir_camera --3d --number_people_max 1 --write_json output_folder_path/ --write_video_3d output_folder_path/video_3d.avi

--write_json会把 3D 关键点以x,y,z,c形式写入 JSON（c为 1 或 0 表示 3D 重建是否成功）；--write_video_3d保存 3D 可视化结果视频（对应 flag 定义见 include/openpose/flags.hpp）。

3. 快速保存立体相机原始图像（不做关键点检测），供后续离线处理：

# Ubuntu 和 Mac（Windows 下 flag 相同） # 保存视频（注意：保存 PNG 相比 JPG 画质更好，但会降低 FPS，具体取决于硬盘写入速度与相机数量） ./build/examples/openpose/openpose.bin --flir_camera --num_gpu 0 --write_video output_folder_path/video.avi --write_video_fps 5 # 保存图片（注意：保存 PNG 相比 JPG 画质更好，但会降低 FPS，具体取决于硬盘写入速度与相机数量） ./build/examples/openpose/openpose.bin --flir_camera --num_gpu 0 --write_images output_folder_path/ --write_images_format jpg

这里--num_gpu 0表示完全跳过关键点检测网络，仅做采集与存储。

4. 读取并处理之前保存的立体相机图像

# Ubuntu 和 Mac（Windows 下 flag 相同） # 可选追加 --face 和/或 --hand 以包含人脸与手部 # 假设有 3 台相机 # 注意：强烈建议降低 --output_resolution。例如 3 台相机以 1920x1080 录制时，拼接后图像为 (3x1920)x1080，建议设为如 640x360（缩小 3 倍） # 视频 ./build/examples/openpose/openpose.bin --video output_folder_path/video.avi --3d_views 3 --3d --number_people_max 1 --output_resolution {desired_output_resolution} # 图片 ./build/examples/openpose/openpose.bin --image_dir output_folder_path/ --3d_views 3 --3d --number_people_max 1 --output_resolution {desired_output_resolution}

--3d_views是--image_dir/--video的补充选项：每轮读取多张图像用于立体处理（如--3d）。使用时必须设置--camera_parameter_path（默认models/cameraParameters/flir/，仓库示例见models/cameraParameters/flir/17012332.xml.example），且该目录下必须恰好存在与视角数相同的 XML 相机参数文件。

5. 关键点在至少 x 个视角可见时才进行重建

# Ubuntu 和 Mac（Windows 下 flag 相同） # 关键点至少在 2 个视角可见时重建（假设 n >= 2） ./build/examples/openpose/openpose.bin --flir_camera --3d --number_people_max 1 --3d_min_views 2 --output_resolution {desired_output_resolution} # 关键点至少在 max(2, min(4, n-1)) 个视角可见时重建（默认规则） ./build/examples/openpose/openpose.bin --flir_camera --3d --number_people_max 1 --output_resolution {desired_output_resolution}

--3d_min_views默认-1，等价于max(2, min(4, #cameras-1))（见 include/openpose/flags.hpp）。

帧间跟踪（Tracking，实验性）

--tracking用于在帧间跟踪人体，官方标注为实验性功能。取值含义：-1（默认）禁用；正整数表示每隔 N 帧运行一次 OpenPose 关键点检测、其余帧用跟踪结果填补；0表示每帧同时运行检测与跟踪（无提速/减速，但平滑性更好）。以下三种用法覆盖不同诉求：

:: Windows - Portable Demo（Ubuntu 和 Mac 下 flag 相同） :: 1. 大幅提速（牺牲精度）：OpenPose 每 1 帧检测，后续约 5 帧用跟踪结果 bin\OpenPoseDemo.exe --tracking 5 --number_people_max 1 :: 2. 提速同时保留大部分精度：OpenPose 每 1 帧检测，另 1 帧跟踪 bin\OpenPoseDemo.exe --tracking 1 --number_people_max 1 :: 3. 视觉平滑：每帧同时运行 OpenPose 与跟踪，无提速/减速 bin\OpenPoseDemo.exe --tracking 0 --number_people_max 1

--number_people_max默认-1（保留全部检测到的人）；设定正整数后，OpenPose 会按「人体面积、部位得分、部位间连接得分」保留得分最高的前 N 人，可用于剔除假阳性（前提是场景中的人都被检出），但也可能把过小或严重遮挡的人当作假阴性删掉。

将 Kinect 2.0 用作 Windows 10 摄像头

自 Windows 10 Anniversary 更新起，Kinect 2.0 可被当作普通网络摄像头读取。步骤：打开「设备管理器」，展开kinect sensor devices选项卡，右键WDF kinectSensor Interface并更新驱动程序。若已有其他摄像头，请先断开它，或使用--camera 2指定 Kinect 的设备编号。

常用 Flags 一览

以下是官方文档列出的最常用 flag（完整列表与全部说明见 doc/advanced/demo_advanced.md）：

Flag	作用
`--face`	开启人脸关键点检测
`--hand`	开启手部关键点检测
`--video input.mp4`	读取视频文件`input.mp4`
`--camera 3`	读取 3 号摄像头
`--image_dir path_with_images/`	处理目录`path_with_images/`下的图像
`--ip_camera <URL>`	处理流媒体 IP 摄像头，URL 支持 RTSP 与 HTTP 协议
`--write_video path.avi`	把处理后的图像保存为视频
`--write_images folder_path`	把处理后的图像保存到文件夹
`--write_keypoint path/`	输出包含人体姿态数据的 JSON / XML / YML 文件（已废弃，请改用`--write_json`）
`--process_real_time`	视频处理时可能跳帧以保持实时播放
`--disable_blending`	在黑色背景上渲染结果（骨架或热力图），不显示原图。相关 flag：`part_to_show`、`alpha_pose`、`alpha_pose`
`--part_to_show`	选择要可视化的预测通道
`--display 0`	不打开显示窗口，适合服务器场景或轻微提速
`--num_gpu 2 --num_gpu_start 1`	从指定设备 ID 开始并行使用指定数量的 GPU；默认使用全部可用 GPU
`--model_pose MPI`	选择模型，影响关键点数量、速度与精度
`--logging_level 3`	日志输出阈值，取值范围 [0,255]：0 输出所有消息，255 全部不输出；当前消息位于 [1,4]，1 为低优先级、4 为高优先级

其中--logging_level、--model_pose的取值在 examples/openpose/openpose.cpp 中有运行时校验：logging_level超出 [0,255] 会直接报错；--model_pose支持BODY_25、COCO、MPI、MPI_4_layers以及BODY_19、BODY_25B等，字符串到枚举的映射见 src/openpose/utilities/flagsToOpenPose.cpp。--model_pose对应的模型定义文件位于仓库 models/pose 下：body_25/pose_deploy.prototxt、coco/pose_deploy_linevec.prototxt、mpi/pose_deploy_linevec.prototxt与mpi/pose_deploy_linevec_faster_4_stages.prototxt；预训练权重可通过 models/getModels.sh（Windows 为models/getModels.bat）下载。

进阶快速开始

更多进阶 flag（如--output_resolution、--keypoint_scale、--heatmaps_add_parts、--write_heatmaps、--part_candidates、--disable_multi_thread、--body、--face_detector、--hand_detector等）请阅读 doc/advanced/demo_advanced.md。也可以随时运行--help查看全部可用 flag——只需关注输出中Flags from examples/openpose/openpose.cpp:一节的条目即可：

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin --help

:: Windows - Portable Demo bin\OpenPoseDemo.exe --help

Bug 排查：内存不足、速度过慢与平台差异

改善内存占用与速度（代价是精度下降）

如果你的 Nvidia GPU 运行时不报内存不足，请直接跳过本小节！

--net_resolution需要谨慎使用：当 GPU 显存不足或没有 Nvidia GPU 时，可以降低该值以提升速度并减少显存占用，但精度也会明显下降——分辨率越低，速度越快、显存越省，精度越低：

# Ubuntu 和 Mac ./build/examples/openpose/openpose.bin --video examples/media/video.avi --net_resolution -1x320 ./build/examples/openpose/openpose.bin --video examples/media/video.avi --net_resolution -1x256 ./build/examples/openpose/openpose.bin --video examples/media/video.avi --net_resolution -1x196 ./build/examples/openpose/openpose.bin --video examples/media/video.avi --net_resolution -1x128

:: Windows - Portable Demo bin\OpenPoseDemo.exe --video examples/media/video.avi --net_resolution -1x320 bin\OpenPoseDemo.exe --video examples/media/video.avi --net_resolution -1x256 bin\OpenPoseDemo.exe --video examples/media/video.avi --net_resolution -1x196 bin\OpenPoseDemo.exe --video examples/media/video.avi --net_resolution -1x128

补充要点（均与 include/openpose/flags.hpp 中的定义一致）：

默认网络分辨率为-1x368，任何更小的分辨率都能提升速度；
-1表示该维度自动适配以保持输入源的宽高比。例如-1x368、656x-1、656x368对 720p 和 1080p 输入会得到完全相同的结果分辨率；
处理视频时推荐使用-1，让 OpenPose 自动选择理想分辨率；处理不同尺寸混合的图像目录时，若不用-1且图像宽高比差异极大，可能触发内存不足。例如目录里有100x11040和10000x368两张图，默认-1x368会分别得到网络输出分辨率3x368和10000x368，后者显然会内存溢出；
进阶辅助：--net_resolution_dynamic（仅对图像/自定义输入生效，默认 1）可在使用-1时把网络宽度裁剪到「该值 × 默认 16:9 宽度（368 高对应 656 宽）」以内，小显存 GPU 建议设 1，大显存 GPU 建议设 0 以追求最大精度与速度。

Mac OSX 附加步骤（仅 OPENCL 模式）

如果你不用 Mac，或使用的是CPU_only的 Mac，可以跳过本节。

若你的 Mac 启用了OPENCL支持且带有 AMD 独立显卡，机器上会存在两块不兼容的 GPU（AMD 与 Intel）。此时需要手动选择其中一块（AMD 通常更强）。先用clinfo查看设备编号——AMD 设备大概率是设备 2：

clinfo

随后在任意 OpenPose 命令中追加以下两个 flag，指定使用 AMD 显卡加速（num_gpu_start填上面查到的设备 ID）：

./build/examples/openpose/openpose.bin --num_gpu 1 --num_gpu_start 2

如果只有 Intel 核显，则它大概率是设备 1，请始终追加：

./build/examples/openpose/openpose.bin --num_gpu 1 --num_gpu_start 1

FAQ

其余错误、问题与顾虑请查阅 doc/05_faq.md。

小结

OpenPose Demo 的价值在于「零改动即可体验完整的多人姿态估计流水线」：通过 examples/openpose/openpose.cpp 这一薄封装，--image_dir/--video/ 摄像头 / IP 摄像头 / FLIR 立体相机等多输入源、--write_json/--write_video/--write_images等输出通道、--net_resolution/--scale_number/--num_gpu等精度与性能旋钮全部以命令行 flag 形式开放。建议的组合思路是：先按本文「快速开始」跑通默认流程，再按输入源需求挑选对应 flag，最后在「最高精度」与「降低--net_resolution」两个方向之间根据 GPU 显存与帧率要求做权衡，并借助--help与 doc/advanced/demo_advanced.md 探索更多高级参数。

【免费下载链接】openposeOpenPose: Real-time multi-person keypoint detection library for body, face, hands, and foot estimation项目地址: https://gitcode.com/gh_mirrors/op/openpose

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析