3D resnet根据UCF101数据集制作自己的数据集实现动作识别

最新推荐文章于 2024-06-20 13:32:49 发布

Wen_yaaaaa

最新推荐文章于 2024-06-20 13:32:49 发布

阅读量2k

点赞数 8

分类专栏：学习文章标签： python 深度学习分类神经网络

本文链接：https://blog.csdn.net/Wen_yaaaaa/article/details/126627489

版权

学习专栏收录该内容

3 篇文章 2 订阅

订阅专栏

3D resnet根据UCF101数据集制作自己的数据集实现动作识别

配置要求

作者代码 3D resnet

pytorch>0.4
FFmpeg, FFprobe
Python 3
我这里使用的是torch1.8.1+cu102+torchvision0.9.1

数据集

为了测试作者代码的准确性，我先下载原作者所使用的数据集，作者所使用的4个数据集分别是ActivityNet，Kinetics，UCF-101，HMDB-51，其实最开始是想使用Kinetics700数据集，但在网上查阅资料发现，该数据集是来自youtube，下载不仅慢，而且有可能视频资源已经不存在，因此我最终选择UCF-101数据集，需要下载该数据集的童鞋记住！血泪教训！一定要用迅雷下载！
数据集下载链接在此：UCF101
数据集划分链接:https://www.crcv.ucf.edu/wp-content/uploads/2019/03/UCF101TrainTestSplits-RecognitionTask.zip

数据集结构

data
	UCF101_videos
	  	ApplyEyeMakeup
	  	...
	  	YoYo
 
  	UCF101_jpg
	  	ApplyEyeMakeup
	  	...
	  	YoYo
  	
  	UCF101_json
  		ucf101_01.json
 
  	UCF101_txt
	  	classInd.txt
	  	testlist01.txt
	  	testlist02.txt
	  	testlist03.txt
	  	trainlist01.txt
	  	trainlist02.txt
	  	trainlist03.txt
 
  	models
  		resnet-50-kinetics.pth #需要去下载
 
    results

将解压好的视频数据集全部放入UCF101_videos文件夹中,将数据集划分文件txt放入UCF101_txt文件夹中

构建数据集

在代码中作者其实已经给出划分数据集的代码,将数据集按7:3的比例划分训练集与测试集,如下:

python -m util_scripts.generate_video_jpgs data/UCF101_videos data/UCF101_jpg ucf101

data/UCF/UCF101_videos为数据集路径,data/UCF101_jpg为保存图片路径,它会自动将每个视频拆分的图片保存成一个文件夹存在data/UCF101_jpg里,ucf101为数据集名称

接着生成标注文件,如下:

python -m util_scripts.ucf101_json data/UCF101_txt data/UCF101_jpg data/UCF101_json

data/UCF101_txt为下载好的切分数据集的txt文件,data/UCF101_json为保存数据集标注文件夹。
再生成json文件时，我们可能遇到这种问题：

Error tokenizing data. C error: Expected 6 fields in line 3, saw 9

我的做法是将txt文件转换为csv文件在将util_scripts.ucf101_json中部分代码所用的文件后缀修改就可以生成json文件。（方法不唯一）

生成的json文件打开之后，可能会遇到这种情况：

"labels": [NAN,NAN,NAN,NAN,NAN,NAN,NAN,NAN,NAN,NAN,NAN,NAN,NAN,NAN]

这个时候只需要手动的将这个label改为classInd.txt里面的标签就可以，记住，一定要加双引号，不可以用单引号，如下：

"labels": ["Basketball","BasketballDunk","Biking","CliffDiving","CricketBowling","Diving","Fencing","FloorGymnastics","GolfSwing","HorseRiding","IceDancing","LongJump","PoleVault","RopeClimbing","SalsaSpin","SkateBoarding","Skijet","SoccerJuggling","Surfing","TennisSwing","TrampolineJumping","VolleyballSpiking","WalkingWithDog"]

训练

接下来就可以训练UCF101数据集，如下：

python main.py --root_path ./data --video_path UCF101_jpg/ --annotation_path  UCF101_json/ucf101_01.json \
--result_path results --dataset ucf101 --n_classes 101 --model resnet --model_depth 50 --batch_size 32 \
--n_threads 1 --checkpoint 10

–root_path为根目录，–video_path为数据集图片所在的位置，–annotation_path为标注文件速所在位置，–result_path为保存权重以及日志文件所在位置，–dataset为该数据集名称，–n_classes为该数据集的类别，–model与–model_depth为resnet 50,–batch_size设为32,–n_threads为只用1个GPU，–checkpoint为10个epoch保存一次。

测试

python main.py --root_path ./data --video_path UCF101_jpg/ --annotation_path  UCF101_json/ucf101_01.json \
--result_path results --dataset ucf101 --resume_path results/save_200.pth \
--model_depth 50 --n_classes 2 --n_threads 1 --no_train --no_val --inference --output_topk 5 --inference_batch_size 1

我们可以从results文件夹里的val.log查看每个测试集的类别和置信度。最后，我们就可以根据UCF101数据集的组成构建出自己的数据集与类别。最后，感谢各位大佬的分享，才能将该网络配置成功！