2024年AI进阶实战营——骨骼点动作识别

4.上传本次Notebook操作模型、数据集、测试集，共5个文件

第一步：环境准备

1.下载PaddleVideo、

2.安装PaddleVideo的相关依赖

5.修改配置文件（数据路径），找到对应文件，打开，修改训练集和测试集路径

改成这样（必须英文输入）

6.保存yaml文件和Notebook文件

记得截图最后一步完成打卡

打卡截图示例：

第三天

==============================================================

文档指导：

1.重新启动打开Notebook任务

2.重新进入PaddleVideo目录，然后重新配置代码环境，安装依赖

3.进行模型训练，约需要半小时训练完成。

• 训练结果保存在PaddleVideo/output文件夹下

如果你想调整训练参数，可以在configs/recognition/stgcn/stgcn_fsd.yaml文件中找到网络结构与数据路径。

表示我们使用的是ST-GCN算法，framework为RecognizerGCN，backbone是时空图卷积网络STGCN，head使用对应的STGCNHead，数据集分类采用30分类 （用若用户使用10分类数据集，请在此更改为num_classes:10）。

若修改为10分类训练，除了修改数据集路径之外，在上一步网络结构中需要修改num_classes。（可以通过降低batch_size来提升实验效果，但是会加长训练时长）

4.进行模型测试

• 本案例中自带训练权重

• 通过-c参数指定配置文件，通过-w指定权重存放路径进行模型测试。

ST-GCN模型实验精度

本案例仅选用优化后单模型ST-GCN进行试验，分别在FSD30分类与10分类的测试集下计算模型精度。模型优化策略选用了数据平均抽帧（降维），随机可学习骨骼点子图划分、通过矩阵拼接替换爱因斯坦求和约定操作。下表展示了ST-GCN模型在不同测试集下实验精度结果（单卡NVIDIA GeForce RTX 3070 Ti）

| 数据集类别 | Test Data | Top-1精度 |

| :-: | :-: | :-- |

| FSD30分类 | Test_A | 60.5% |

| FSD30分类 | Test_B | 58.5% |

| FSD10分类 | Test data | 91.0% |

在FSD10分类下需要修改 configs/recognition/stgcn/stgcn_fsd.yaml 文件中num_classes、batch_size等参数。通过修改参数（eg. batch_size:8,16)，可以达到91%左右的测试集精度。

记得截图模型测试结果进行打卡哦~

打卡截图示例：

第四天

==============================================================

文档指导：

1.重新启动打开Notebook任务

2.重新进入PaddleVideo目录，然后重新配置代码环境，安装依赖

3.在安装环境依赖后新增一行代码并运行（在安装环境依赖前也可以），升级一下paddlepaddle

代码:!python -m pip install paddlepaddle-gpu==2.1.3.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

4.进行模型导出，代码有更新，需要替换

更新后的代码：!python3.7 /home/work/PaddleVideo/tools/export_model.py -c /home/work/PaddleVideo/configs/recognition/stgcn/stgcn_fsd.yaml -p /home/work/PaddleVideo/output/STGCN/STGCN_epoch_00090.pdparams -o /home/work/PaddleVideo/output/inference

上述命令将生成预测所需的模型结构文件STGCN.pdmodel和模型权重文件STGCN.pdparams。

代码中的参数含义可参考↓：https://github.com/PaddlePaddle/PaddleVideo/blob/release/2.0.0/docs/zh-CN/start.md#2-模型推理

导出后的模型就在 /home/work/PaddleVideo/output/inference里

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！