ModuleNotFoundError: No module named 'common.skeleton'

ModuleNotFoundError是一个常见的Python错误，它发生在尝试导入一个模块时，但是Python找不到指定的模块。在这个例子中，`common.skeleton` 模块未被找到，这通常意味着：

1. 你可能忘记安装了依赖库或模块。确保已经正确安装并添加到了Python路径中。
2. 导入路径设置有误，检查你的`PYTHONPATH`环境变量或文件结构，确保`common.skeleton`模块位于其中。
3. 如果模块是在某个特定项目下，可能需要从项目的根目录或正确的子目录下导入。

要解决这个问题，可以尝试以下步骤：
- 使用`pip install common.skeleton`命令安装缺失的模块。
- 确认模块名或文件名无误，并检查大小写是否一致。
- 更新或调整import语句，确保正确引用模块的位置。

相关问题

processor_cfg: type: "processor.pose_demo.inference" gpus: 1 worker_per_gpu: 1 video_file: resource/data_example/skateboarding.mp4 save_dir: "work_dir/pose_demo" detection_cfg: model_cfg: configs/mmdet/cascade_rcnn_r50_fpn_1x.py checkpoint_file: mmskeleton://mmdet/cascade_rcnn_r50_fpn_20e bbox_thre: 0.8 estimation_cfg: model_cfg: configs/pose_estimation/hrnet/pose_hrnet_w32_256x192_test.yaml checkpoint_file: mmskeleton://pose_estimation/pose_hrnet_w32_256x192 data_cfg: image_size: - 192 - 256 pixel_std: 200 image_mean: - 0.485 - 0.456 - 0.406 image_std: - 0.229 - 0.224 - 0.225 post_process: true argparse_cfg: gpus: bind_to: processor_cfg.gpus help: number of gpus video: bind_to: processor_cfg.video_file help: path to input video worker_per_gpu: bind_to: processor_cfg.worker_per_gpu help: number of workers for each gpu skeleton_model: bind_to: processor_cfg.estimation_cfg.model_cfg skeleton_checkpoint: bind_to: processor_cfg.estimation_cfg.checkpoint_file detection_model: bind_to: processor_cfg.detection_cfg.model_cfg detection_checkpoint: bind_to: processor_cfg.detection_cfg.checkpoint_file

根据您提供的配置文件，这是一个用于姿态估计的pose_demo的配置示例。该配置文件包括了处理器配置（processor_cfg）和命令行参数配置（argparse_cfg）。

处理器配置包括以下内容：
- type：指定处理器类型为"processor.pose_demo.inference"，这可能是一个自定义的处理器类型。
- gpus：指定使用的GPU数量为1。
- worker_per_gpu：指定每个GPU的worker数量为1。
- video_file：指定输入视频的路径为"resource/data_example/skateboarding.mp4"。
- save_dir：指定结果保存的目录路径为"work_dir/pose_demo"。

检测配置（detection_cfg）包括以下内容：
- model_cfg：指定检测模型的配置文件路径为"configs/mmdet/cascade_rcnn_r50_fpn_1x.py"。
- checkpoint_file：指定检测模型的checkpoint路径为"mmskeleton://mmdet/cascade_rcnn_r50_fpn_20e"。
- bbox_thre：指定检测目标的边界框阈值为0.8。

估计配置（estimation_cfg）包括以下内容：
- model_cfg：指定姿态估计模型的配置文件路径为"configs/pose_estimation/hrnet/pose_hrnet_w32_256x192_test.yaml"。
- checkpoint_file：指定姿态估计模型的checkpoint路径为"mmskeleton://pose_estimation/pose_hrnet_w32_256x192"。
- data_cfg：指定姿态估计模型的数据配置，包括图像尺寸、像素标准化值、图像均值和标准差以及后处理选项。

命令行参数配置（argparse_cfg）包括了一些命令行参数的绑定，用于从命令行传递参数给处理器配置。

例如，您可以使用以下命令行参数来运行pose_demo：

python pose_demo.py --gpus 1 --video resource/data_example/skateboarding.mp4 --worker_per_gpu 1 --skeleton_model configs/pose_estimation/hrnet/pose_hrnet_w32_256x192_test.yaml --skeleton_checkpoint mmskeleton://pose_estimation/pose_hrnet_w32_256x192 --detection_model configs/mmdet/cascade_rcnn_r50_fpn_1x.py --detection_checkpoint mmskeleton://mmdet/cascade_rcnn_r50_fpn_20e

请注意，以上仅为示例，具体的使用方式和命令行参数可能会有所不同，具体取决于实际情况。

如果您有进一步的问题，请提供更多细节，我将尽力帮助您。

根据上述代码，改写下列程序try: df1 = pd.read_csv('image_3_2.txt', sep='\t', header=None, error_bad_lines=False, na_values='?') df2 = pd.read_csv('image_6.txt', sep='\t', header=None, error_bad_lines=False, na_values='?') tree = KDTree(df2.iloc[:, :2].values) k = 4 distances, indices = tree.query(df1.iloc[:, :2].values, k=k) values = df2.iloc[indices[:, 1:], 2].values mean_values = values.mean(axis=1) df1.iloc[:, 2] = mean_values df1.to_csv('4.txt', sep='\t', header=None, index=None) except Exception as e: print("Error: ", e)

根据上述代码，改写后的程序如下：

try:
    points3D = pd.read_csv('points3D.txt', sep='\t', header=None, error_bad_lines=False, na_values='?')
    skeleton = cv2.imread('skeleton.jpg', cv2.IMREAD_GRAYSCALE)
    tree = KDTree(points3D.iloc[:, :2].values)
    with open("./voc/skelon/3d/result.txt", 'w', encoding='utf-8') as f1:
        for y in range(skeleton.shape[0]):
            for x in range(skeleton.shape[1]):
                if skeleton[y][x] == 255:
                    x_axis_coord, y_axis_coord = transform_xy(x, y)
                    query_point = [x_axis_coord, y_axis_coord]
                    dist, index = tree.query(query_point)
                    f1.write(str(points3D.iloc[index, 0]) + " " +
                             str(points3D.iloc[index, 1]) + " " +
                             str(points3D.iloc[index, 2]) + " " + '\n')
except Exception as e:
    print("Error: ", e)

这段代码与原始代码类似，不过是将输入的数据文件和输出的文件名、格式都进行了修改以适应新的应用场景。同时，由于我们无法直接读取图像文件，需要使用cv2库里的imread函数获取二维骨架图像。最后，将得到的三维坐标写入到txt文件中。