Update README.md

README.md

@@ -1,3 +1,113 @@
----
-license: mit
----
+---
+license: mit
+---
+
+<Modellname>: RTM17Lifting
+
+https://img.shields.io/badge/%25F0%259F%25A4%2597-Model%2520Hub-yellow
+https://img.shields.io/badge/License-MIT-green.svg
+https://badge.fury.io/py/%3Cdein-paketname%3E.svg
+https://img.shields.io/badge/Framework-PyTorch-orange
+
+Dieses Repository enthält ein Modell für 3D-Ganzkörper-Poseschätzung, das auf dem WholeBody3D (H3WB) Datensatz und der Referenzarchitektur trainiert wurde. Das Modell schätzt gleichzeitig die 3D-Posen von Körper, Händen und Gesicht aus 2D Pose Daten.
+📋 Modell-Details
+
+    Entwickler: Jonas D. Stephan, Nathalie Dollmann
+
+    Architektur: SimpleBasline aus [https://github.com/wholebody3d/wholebody3d](https://github.com/wholebody3d/wholebody3d)
+
+    Trainingsdaten: WholeBody3D (H3WB & T3WB) Datensätze.
+
+    Framework: PyTorch
+
+    Input: 2D-Koordinaten (17 Keypoints) für Körper-, Hand- und Gesichts-Keypoints (3DMM-Parameter), wie im H3WB-Format (die ersten 17 von 133) definiert.
+
+    Output: 3D-Koordinaten (17 Keypoints) für Körper-, Hand- und Gesichts-Keypoints (3DMM-Parameter), wie im H3WB-Format (die ersten 17 von 133) definiert.
+
+🚀 Schnellstart
+Installation
+bash
+
+# Installation via PyPI
+pip install <dein-paketname>
+
+# Oder direkt aus dem Repository
+pip install git+https://github.com/<dein-username>/<dein-repo>.git
+
+Grundlegende Verwendung
+python
+
+import torch
+from <dein-paketname> import <ModellKlasse>, utils
+
+# 1. Modell laden
+model = <ModellKlasse>.from_pretrained("<dein-username>/<dein-modellname>")
+model.eval()
+
+# 2. Bild vorbereiten (Beispiel)
+image = utils.load_and_preprocess_image("dein_bild.jpg")
+
+# 3. Inferenz durchführen
+with torch.no_grad():
+    predictions = model(image)
+    
+# 4. Ergebnisse verarbeiten (z.B. Visualisierung)
+utils.visualize_3d_pose(predictions)
+
+📥 Modell-Download
+
+Das vortrainierte Modell wird automatisch über from_pretrained() heruntergeladen. Für einen manuellen Download:
+python
+
+from huggingface_hub import hf_hub_download
+import torch
+
+model_path = hf_hub_download(
+    repo_id="<dein-username>/<dein-modellname>",
+    filename="model_weights.pth"
+)
+state_dict = torch.load(model_path, map_location='cpu')
+
+📊 Evaluation & Leistung
+
+Test Loss: 12140.911356
+Train Loss: 8930.923992
+
+🏋️ Training
+
+Dieses Modell wurde von Grund auf neu auf dem H3WB-Datensatz trainiert.
+
+    Epochen: 175
+
+    Batch-Größe: 256
+
+    Optimierer: Adam
+
+    Learning Rate: 0.002
+
+    Hardware: NVIDIA GeForce RTX 3050
+
+📄 Zitation
+
+@inproceedings{zhu2023h3wb,
+  title={H3WB: Human3.6M 3D WholeBody Dataset and Benchmark},
+  author={Zhu, Yue and Samet, Nermin and Picard, David},
+  booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
+  year={2023}
+}
+
+/*@misc{<dein-modellname>2024,
+  title = {{<Modellname>}: A 3D Whole-Body Pose Estimation Model},
+  author = {Stephan, Jonas D. and Dollmann, Nathalie},
+  howpublished = {\url{https://github.com/<dein-username>/<dein-repo>}},
+  year = {2024}
+}*/
+
+🙏 Danksagung
+
+Dieses Projekt basiert auf der Arbeit des WholeBody3D (H3WB) Teams. Vielen Dank an Yue Zhu, Nermin Samet und David Picard für die Bereitstellung des hervorragenden Datensatzes und Codes.
+⚖️ Lizenz
+
+Der Code in diesem Repository ist, sofern nicht anders angegeben, unter der MIT-Lizenz lizenziert. Siehe die Datei LICENSE für Details.
+
+Das Modell nutzt Daten und Architektur, die unter der MIT-Lizenz vom H3WB-Projekt veröffentlicht wurden. Copyright 2023 der H3WB-Autoren. Copyright 2024 Jonas D. Stephan & Nathalie Dollmann.