Update README.md

README.md

@@ -31,42 +31,38 @@ 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()
+# 1. 2D PoseEstimation eines Bilder
+estimator = RTMPoseEstimator2D(num_keypoints=17)\
+result2D = estimator.process_image_from_file(image_path="Testbild.jpg")
 
-# 2. Bild vorbereiten (Beispiel)
-image = utils.load_and_preprocess_image("dein_bild.jpg")
+# 2. Lifting Model laden
+lifting = RTMLifting(num_keypoints=17, mode="ai")
 
-# 3. Inferenz durchführen
-with torch.no_grad():
-    predictions = model(image)
-    
-# 4. Ergebnisse verarbeiten (z.B. Visualisierung)
-utils.visualize_3d_pose(predictions)
+# 3. Liften
+lifting.lift_pose(result2D)
 
 📥 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
+from pose_estimation_recognition_utils_rtmlib import ModelLoader, Simple3DPoseLiftingModel
 
-model_path = hf_hub_download(
-    repo_id="<dein-username>/<dein-modellname>",
-    filename="model_weights.pth"
+model=Simple3DPoseLiftingModel(num_keypoints=17)\
+model.to(device)\
+model.eval()\
+
+model_loader=ModelLoader(
+    repo_id="fhswf/rtm17lifting",
+    model_filename="rtm17lifting.pth",
+    cache_dir=cache_dir,
 )
-state_dict = torch.load(model_path, map_location='cpu')
+
+state_dict=model_loader.load_model(device=device)\
+model.load_state_dict(state_dict)
 
 📊 Evaluation & Leistung