deeplabcut 简明教程（训练个人数据集）

一 . 数据集的制作

从github下载deeplabcut

git clone https://github.com/2314453446/DeepLabCut.git

然后cd 到该目录下

激活ipython

Lenovo-Legion-5-15IMH05H:~/project/DeepLabCut$ ipython

In [1]: ]import deeplabcut as dlc

 创建新项目

dlc.create_new_project('WeedDetect','zzw',['/home/tuolong/Videos/weed.mp4'],copyvideos=True)

设置配置文件 

config_path = '/home/tuolong/project/DeepLabCut/WeedDetect-zzw-2022-09-30/config.yaml'

根据设定的配置文件从视频中截取帧

dlc.extract_frames(config_path)

标定数据集

dlc.label_frames(config_path)

检查数据集标定效果

dlc.check_labels(config_path)

 二.数据集训练

创建训练数据集（这一步要在你训练的地方执行 本地/云端）

# imguag 代表数据增广方式
dlc.create_training_dataset(config_path,net_type='resnet_50', augmenter_type='imgaug')

 查看训练和设定训练参数

训练模型

dlc.train_network(config_path,shuffle=1,displayiters=100,saveiters=500,max_snapshots_to_keep=5)

 模型评估（评估上一步所保存的snapshot）

这里僅演示操作流程，不是最优的评估方式

设定要评估的snapshot(我这里选择全部)

dlc.evaluate_network(config_path,plotting=True)

（可选环节）如果觉得模型训练效果不佳，可以本地再标数据，然后再训练，直至选出最优模型

三. 模型测试（视频分析）

在这里可以将未标注的 novel video 放入至训练好的网络中，让网络自动为我们标注数据

dlc.analyze_videos

在评估完成后从配置文件设定最优的模型进行测试

dlc.analyze_videos(config_path,videos='/home/tuolong/project/DeepLabCut/WeedDetect-zzw-2022-09-30/videos/weed.mp4',videotype='mp4',save_as_csv=True,dynamic=(True,0.5,10))

(可选)视频分析的其他功能

1滤波器

dlc.filterprediction(config_path,video_path)

2画出被分析的视频轨迹

dlc.plot_trajectories(config_path,video_path,videotype=VideoType,filtered=True)

制作被标注的视频

video_path = '/home/tuolong/project/DeepLabCut/WeedDetect-zzw-2022-09-30/videos/weed.mp4'

dlc.create_labeled_video(config_path,videos=video_path,videotype='mp4',draw_skeleton=True,save_frames=True,trailpoints=0)