diff --git a/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/.keep b/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/.keep
new file mode 100644
index 0000000000000000000000000000000000000000..e69de29bb2d1d6434b8b29ae775ad8c2e48c5391
diff --git a/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/ckpt2pb.py b/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/ckpt2pb.py
new file mode 100644
index 0000000000000000000000000000000000000000..25fea45641321fbae132800808f823664d82de85
--- /dev/null
+++ b/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/ckpt2pb.py
@@ -0,0 +1,40 @@
+import tensorflow.compat.v1 as tf
+tf.disable_v2_behavior()
+from tensorflow.python.tools import freeze_graph
+from tensorflow.python.framework import graph_util
+
+
+def freeze_graph(input_checkpoint,output_graph):
+
+    # checkpoint = tf.train.get_checkpoint_state(model_folder) #检查目录下ckpt文件状态是否可用
+    # input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路径
+ 
+    # 指定输出的节点名称,该节点名称必须是原模型中存在的节点
+    # 直接用最后输出的节点，可以在tensorboard中查找到，tensorboard只能在linux中使用
+    output_node_names = "uvdw_out,uvdw_pos"
+    saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
+    graph = tf.get_default_graph() # 获得默认的图
+    input_graph_def = graph.as_graph_def()  # 返回一个序列化的图代表当前的图
+ 
+    with tf.Session() as sess:
+    
+        graph_def = tf.get_default_graph().as_graph_def(add_shapes=True)
+        node_list = [n.name for n in graph_def.node]
+        for node in node_list:
+            print("node_name", node)
+        saver.restore(sess, input_checkpoint) #恢复图并得到数据
+        output_graph_def = graph_util.convert_variables_to_constants(  # 模型持久化，将变量值固定
+            sess=sess,
+            input_graph_def=input_graph_def,# 等于:sess.graph_def
+            output_node_names=output_node_names.split(","))# 如果有多个输出节点，以逗号隔开
+ 
+        with tf.gfile.GFile(output_graph, "wb") as f: #保存模型
+            f.write(output_graph_def.SerializeToString()) #序列化输出
+        print("%d ops in the final graph." % len(output_graph_def.node)) #得到当前图有几个操作节点
+
+
+        
+
+input_checkpoint='/home/keypose/savemodel/model.ckpt'
+out_pb_path='frozen_model.pb'
+freeze_graph(input_checkpoint, out_pb_path)
diff --git a/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/readme.md b/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/readme.md
new file mode 100644
index 0000000000000000000000000000000000000000..8ac4a1dfd400a8d5c5749acc6e54f0cd2c7fa045
--- /dev/null
+++ b/ACL_TensorFlow/contrib/cv/KEYPOSE_ID2043_for_ACL/readme.md
@@ -0,0 +1,17 @@
+数据集链接为 https://storage.googleapis.com/keypose-transparent-object-dataset/models.zip
+
+运行命令为python3 -m keypose.trainer configs/bottle_0_t5 /tmp/model 其中configs的default_base.yaml的step设置为70,000
+
+运行最终几步结果为： 69995 Keypose loss: 0.00380851841 0.000805588672 0.00300292973 0 1 [115.585976 56.4450188 1] [352.585968 139.554977 67.5676651] [352.345062 140.143356 67.4446564] 69996 Keypose loss: 0.0045566014 0.000759354443 0.00379724707 0 1 [107.608925 60.8226662 1] [378.608917 204.177338 77.6202087] [378.270599 203.274796 77.3878632] 69997 Keypose loss: 0.00427989196 0.000648553 0.00363133894 0 1 [120.93557 22.0719337 1] [438.935577 126.07193 83.3570633] [437.187561 124.521378 84.5888596] 69998 Keypose loss: 0.00512055028 0.00100593979 0.00411461061 0 1 [137.617661 46.038475 1] [298.617676 181.038483 58.1664925] [300.742401 180.244308 58.3245926] 69999 Keypose loss: 0.00624349574 0.000914623786 0.00532887224 0 1 [118.494125 38.7468567 1] [518.494141 176.746857 87.2072372] [519.505249 178.638626 87.5264816]
+
+最终loss曲线与keypose提供的bottle_0_t5的log文件误差不超过0.5%，精度达标。
+
+离线推理： 首先利用ckpt2pb.py文件，对keypose模型中生成的ckpt文件进行转化，得到对应的pb文件。
+
+然后再使用命令行： atc --model=./frozen_model.pb --framework=3 --output=./om_model --soc_version=Ascend310 --input_shape="img_L:1,120,180,3;img_R:1,120,180,3;offsets:1,3;hom:1,3,3" --log=info 即可得到对应的om文件
+
+操作示例： 我们这里采用1711step所保存的ckpt文件进行离线推理，即model.ckpt-1711(.meta/.index/.data-00000-of-00001) 通过python3 ckpt2pb.py，得到frozen_1711.pb，网盘链接为：https://pan.baidu.com/s/1pOQgxlHiMcgneqa1cHvOuw?pwd=xe0u （提取码：xe0u） 然后再运行上述atc命令，得到对应的pb_om_model.om，网盘链接为链接:https://pan.baidu.com/s/1GjbCvPzwjCu6qcrmDCxS_w?pwd=7gcz (提取码：7gcz)
+
+验证推理： 参考https://gitee.com/ascend/tools/tree/master/msame， 我们使用msame推理工具，进行推理测试，命令为： ./msame --model "/home/pb_om_model.om" --input "/home/keypose/data/bottle_0/texture_5_pose_0/" --output "/home/keypose/" --outfmt TXT
+
+生成的结果为txt格式，对比NPU训练的结果，数值完全一致，推理成功。
\ No newline at end of file