M2FP颜色映射规则说明：不同部位对应固定色值便于识别

M2FP颜色映射规则说明：不同部位对应固定色值便于识别

📖 项目简介

M2FP（Mask2Former-Parsing）是基于 ModelScope 平台构建的多人人体解析服务，专注于高精度、细粒度的语义分割任务。该模型能够对图像中多个个体进行像素级的身体部位识别，涵盖从面部、四肢到衣物等共计20余类语义标签，广泛适用于虚拟试衣、人像编辑、智能安防和行为分析等场景。

本服务不仅集成了高性能的 M2FP 模型，还内置了完整的WebUI 可视化系统与轻量级 API 接口，支持本地部署与无 GPU 环境运行。通过优化推理流程与后处理算法，实现了在 CPU 上稳定、高效的人体解析能力，极大降低了使用门槛。

💡 核心亮点： -环境极度稳定：锁定 PyTorch 1.13.1 + MMCV-Full 1.7.1 黄金组合，彻底解决常见兼容性问题。 -自动拼图可视化：原始输出为多个二值 Mask，系统内置拼接算法，实时合成为一张全彩语义图。 -多人体强鲁棒性：基于 ResNet-101 主干网络，有效应对遮挡、重叠、姿态复杂等挑战。 -纯CPU推理优化：无需GPU即可完成高质量分割，适合边缘设备或资源受限场景。

🎨 颜色映射机制详解：固定色值提升可读性

在语义分割任务中，模型输出的是每个像素所属类别的标签索引（Label ID），而非直观的颜色图像。为了便于用户快速理解分割结果，M2FP 服务采用了一套预定义的颜色映射表（Color Mapping Table），将每一个身体部位类别映射到一个唯一的 RGB 色值。

这套颜色方案具备以下特点：

• 唯一性：每种类别对应唯一确定的 RGB 值，确保跨图像一致性。
• 高对比度：相邻区域颜色差异明显，避免视觉混淆。
• 语义友好：尽量贴近人类直觉（如皮肤接近肉色、头发为深灰/黑色）。
• 机器可解析：颜色与 Label ID 严格一一对应，支持反向解码。

✅ 颜色映射表（Color Mapping Table）

| 类别 ID | 部位名称 | RGB 色值 (R, G, B) | 十六进制 | 示例用途 | |--------|----------------|--------------------|----------|------------------------| | 0 | 背景 | (0, 0, 0) | #000000 | 非人物区域 | | 1 | 头发 | (255, 0, 0) | #FF0000 | 发型识别、美发推荐 | | 2 | 头部（脸+耳鼻眼）| (0, 255, 0) | #00FF00 | 人脸检测辅助 | | 3 | 左眼 | (0, 0, 255) | #0000FF | 眼动追踪 | | 4 | 右眼 | (255, 255, 0) | #FFFF00 | 对称性分析 | | 5 | 鼻子 | (255, 0, 255) | #FF00FF | AR滤镜定位 | | 6 | 上唇 | (0, 255, 255) | #00FFFF | 口红试色 | | 7 | 下唇 | (192, 192, 192) | #C0C0C0 | 同上 | | 8 | 上身衣物 | (128, 0, 0) | #800000 | 衣物检索、风格分类 | | 9 | 下身衣物 | (0, 128, 0) | #008000 | 裤裙识别 | | 10 | 左臂 | (0, 0, 128) | #000080 | 手势识别前处理 | | 11 | 右臂 | (128, 128, 0) | #808000 | 同上 | | 12 | 左手 | (128, 0, 128) | #800080 | 手部动作捕捉 | | 13 | 右手 | (0, 128, 128) | #008080 | 同上 | | 14 | 左腿 | (128, 128, 128) | #808080 | 步态分析 | | 15 | 右腿 | (64, 0, 0) | #400000 | 同上 | | 16 | 左脚 | (0, 64, 0) | #004000 | 鞋类识别 | | 17 | 右脚 | (0, 0, 64) | #000040 | 同上 | | 18 | 左耳 | (64, 64, 0) | #404000 | 穿戴设备检测 | | 19 | 右耳 | (64, 0, 64) | #400040 | 同上 | | 20 | 围巾/配饰 | (0, 64, 64) | #004040 | 配饰识别 | | 21 | 裙子 | (192, 128, 128) | #C08080 | 服饰属性判断 | | 22 | 左鞋 | (128, 192, 128) | #80C080 | 鞋履分割 | | 23 | 右鞋 | (128, 128, 192) | #8080C0 | 同上 |

📌 注意事项： - 所有颜色均经过 HSV 色域调优，保证在屏幕显示时具有良好的区分度。 - 黑色背景（ID=0）用于隔离非人体区域，方便后续裁剪或抠图操作。 - 若需自定义颜色方案，可在color_mapping.py中修改LABEL_COLORS字典。

🔧 可视化拼图算法实现原理

虽然 M2FP 模型返回的是一个包含多个二值掩码（Mask）的列表，每个 Mask 对应一类身体部位，但最终呈现给用户的是一张全彩语义分割图。这一过程由内置的“可视化拼图算法”完成。

🔄 拼图处理流程

import numpy as np import cv2 # 预定义颜色映射（全局常量） LABEL_COLORS = { 0: (0, 0, 0), # 背景 1: (255, 0, 0), # 头发 2: (0, 255, 0), # 头部 3: (0, 0, 255), # 左眼 # ... 其他类别省略，完整版见源码 } def merge_masks_to_color_image(masks: list, labels: list, image_shape: tuple): """ 将模型输出的多通道 Mask 列表合并为一张彩色语义图 :param masks: List[np.array], 形状为(H, W)的二值掩码列表 :param labels: List[int], 每个Mask对应的类别ID :param image_shape: (H, W, 3), 输出图像尺寸 :return: 合成后的彩色图像 (H, W, 3) """ h, w = image_shape[:2] color_image = np.zeros((h, w, 3), dtype=np.uint8) # 按顺序叠加，后出现的类别覆盖前面（通常按置信度排序） for mask, label_id in zip(masks, labels): if label_id not in LABEL_COLORS: continue color = LABEL_COLORS[label_id] # 使用布尔索引填充颜色 color_image[mask == 1] = color return color_image

🧠 关键设计思想

1. 层叠绘制（Layer Blending）
   所有 Mask 按照输入顺序逐层绘制，后绘制的会覆盖先绘制的重叠区域。通常模型已按置信度排序，确保高可信区域优先保留。

2. 内存优化策略
   不生成中间浮点张量，直接在uint8图像上操作，减少内存占用，提升 CPU 推理效率。

3. OpenCV 加速支持
   支持使用cv2.bitwise_and或 ROI 操作进一步加速局部渲染，尤其适用于大图分块处理。

4. 透明度可选扩展
   如需半透明效果，可引入 alpha 通道融合：python blended = cv2.addWeighted(src1, 0.7, src2, 0.3, 0)

🚀 使用说明：如何查看颜色对应关系

1. 启动镜像并打开 WebUI 页面。
2. 点击“上传图片”按钮，选择含单人或多个人物的照片。
3. 系统自动执行人体解析，并在右侧展示结果图。
4. 观察不同颜色区域：
5. 红色区域→ 头发
6. 绿色区域→ 脸部轮廓
7. 黄色区域→ 上衣
8. 青色区域→ 手部
9. 黑色区域→ 背景
10. 结合上方颜色表，即可准确识别各部位归属。

💡 提示：若发现某区域未被正确着色，请检查是否属于小众类别（如围巾、耳朵），或存在遮挡导致置信度过低。

⚙️ 技术架构与依赖环境

本服务基于 Flask 构建前后端交互系统，整体架构清晰，模块解耦，易于二次开发。

系统架构图概览

[用户上传图片] ↓ [Flask Web Server] ↓ [M2FP Model Inference (CPU)] ↓ [Mask List Output] ↓ [Color Mapping & Merge Algorithm] ↓ [Rendered Color Segmentation Map] ↑ [Browser Display]

📦 完整依赖清单

| 组件 | 版本 | 作用说明 | |----------------|-------------------|---------| | Python | 3.10 | 运行环境基础 | | ModelScope | 1.9.5 | 模型加载与推理框架 | | PyTorch | 1.13.1+cpu | 深度学习引擎（CPU版） | | MMCV-Full | 1.7.1 | 支持 MMDetection/M2FP 的核心库 | | OpenCV-Python | 4.8+ | 图像读取、处理与合成 | | Flask | 2.3.3 | Web 服务接口 | | NumPy | 1.24.3 | 数组运算支持 |

⚠️ 特别说明：
选用PyTorch 1.13.1是为了避免 PyTorch 2.x 中因 JIT 编译变更引发的tuple index out of range错误；
同时搭配MMCV-Full 1.7.1可完美兼容 M2FP 模型结构，避免_ext扩展缺失问题。

🛠️ 自定义颜色方案（进阶用法）

如果你希望更改默认颜色以适应特定应用场景（如医疗标注、工业检测），可以轻松修改颜色映射逻辑。

修改步骤如下：

1. 找到项目目录下的utils/color_mapping.py文件。
2. 编辑LABEL_COLORS字典：

# 示例：将“上衣”改为亮粉色，更易识别 LABEL_COLORS[8] = (255, 105, 180) # Hot Pink

1. 重启 Flask 服务，新颜色立即生效。

动态加载外部配置（推荐方式）

你也可以通过 JSON 配置文件动态加载颜色表：

// colors.json { "0": [0, 0, 0], "1": [255, 0, 0], "2": [0, 255, 0], "8": [255, 105, 180] }

加载代码：

import json with open('colors.json', 'r') as f: custom_colors = {int(k): tuple(v) for k, v in json.load(f).items()}

然后传入merge_masks_to_color_image函数即可实现主题切换功能。

📊 应用场景与实践建议

✅ 典型应用方向

| 场景 | 利用部位 | 实现价值 | |---------------------|------------------------------|---------| | 虚拟试衣 | 上身衣物、下身衣物、裙子 | 精准换装区域定位 | | 智能健身指导 | 手臂、腿部、躯干 | 动作标准度评估 | | AR 滤镜特效 | 面部、眼睛、嘴唇、耳朵 | 精细化贴图绑定 | | 安防行为识别 | 头部、四肢运动轨迹 | 异常姿态检测 | | 医疗康复监测 | 手、脚、关节区域 | 运动范围量化分析 |

🎯 最佳实践建议

1. 优先使用正面清晰图像：侧脸、背影可能导致部分部位漏检。
2. 控制光照均匀性：过曝或阴影会影响分割边界精度。
3. 结合后处理平滑边缘：使用cv2.medianBlur()或 CRF 优化锯齿状边缘。
4. 批量处理时启用缓存机制：相同人物可复用部分 Mask 提升效率。
5. 定期校验颜色一致性：特别是在多终端显示时注意色彩偏差。

🧩 总结：颜色即语义，固定映射提升可用性

M2FP 多人人体解析服务通过引入固定颜色映射规则，将抽象的语义标签转化为直观可视的彩色图像，极大提升了结果的可读性和实用性。无论是开发者调试模型输出，还是终端用户理解分割效果，都能快速建立“颜色—部位”的认知关联。

其背后依托于稳定的 CPU 推理环境、成熟的拼图算法与清晰的工程架构，真正实现了“开箱即用”的语义分割体验。未来还可拓展支持更多自定义标签、动态主题切换、甚至支持导出带颜色信息的 PNG 分割图供下游系统直接使用。

🎯 核心价值总结： -标准化输出：统一颜色规范，避免每次结果不一致。 -零GPU依赖：适合部署在普通服务器或嵌入式设备。 -全流程闭环：从上传→推理→可视化→展示，一站式完成。 -高度可扩展：支持颜色定制、API 接入、二次开发。

立即体验 M2FP 人体解析服务，让每一帧画面都“看得更清，分得更明”。