Dans cette étude, nous abordons la tâche complexe d'estimation de maillages corporels 3D pour plusieurs personnes. Les méthodes existantes sont principalement basées sur deux étapes : une première étape pour la localisation des personnes et une seconde étape pour l'estimation individuelle des maillages corporels, ce qui entraîne des pipelines redondants avec un coût de calcul élevé et une dégradation des performances dans les scènes complexes (par exemple, des instances de personnes occultées). Nous présentons ici un modèle en une seule étape, Body Meshes as Points (BMP), visant à simplifier le pipeline tout en améliorant l'efficacité et les performances. Plus précisément, BMP adopte une nouvelle méthode qui représente plusieurs instances de personnes par des points dans l'espace spatio-profondeur, où chaque point est associé à un maillage corporel. Grâce à ces représentations, BMP peut prédire directement les maillages corporels pour plusieurs personnes en une seule étape, en localisant simultanément les points d'instances de personnes et en estimant les maillages corporels correspondants. Pour mieux raisonner sur l'ordre de profondeur de toutes les personnes dans la même scène, BMP conçoit une perte ordonnée inter-instance simple mais efficace afin d'obtenir une estimation cohérente en profondeur des maillages corporels. BMP introduit également une nouvelle augmentation sensible aux points clés pour renforcer la robustesse du modèle face aux instances de personnes occultées. Des expériences exhaustives sur les bancs d'essai Panoptic, MuPoTS-3D et 3DPW montrent clairement que BMP offre l'efficacité la plus avancée pour l'estimation de maillages corporels 3D multi-personnes, ainsi qu'une précision exceptionnelle. Le code source est disponible à l'adresse suivante : https://github.com/jfzhang95/BMP.