In den letzten Jahren gab es erhebliche Fortschritte bei der Pose-Schätzung und ein wachsendes Interesse an der Pose-Verfolgung. Gleichzeitig steigt die Gesamtkomplexität von Algorithmen und Systemen, was die Analyse und Vergleich dieser Algorithmen erschwert. Diese Arbeit bietet einfache und effektive Baseline-Methoden, die hilfreich sind, um neue Ansätze im Bereich zu inspirieren und zu bewerten. Auf anspruchsvollen Benchmarks werden Stand-der-Technik-Ergebnisse erzielt. Der Code wird unter https://github.com/leoxiaobin/pose.pytorch zur Verfügung gestellt.