html5 动作标签,资源|AVA: 5万+视频/80+动作/21万+标签的视频行为标记数据集

stand (45790)

sit (30037)

talk to (e.g., self, a person, a group) (29020)

watch (a person) (25552)

listen to (a person) (21557)

carry/hold (an object) (18381)

walk (12765)

bend/bow (at the waist) (2592)

lie/sleep (1897)

dance (1406)

ride (e.g., a bike, a car, a horse) (1344)

run/jog (1146)

answer phone (1025)

watch (e.g., TV) (993)

grab (a person) (936)

smoke (860)

eat (828)

fight/hit (a person) (707)

sing to (e.g., self, a person, a group) (702)

read (698)

crouch/kneel (678)

touch (an object) (670)

hug (a person) (667)

martial art (624)

open (e.g., a window, a car door) (594)

play musical instrument (545)

give/serve (an object) to (a person) (473)

hand clap (470)

lift/pick up (452)

get up (439)

drink (410)

drive (e.g., a car, a truck) (383)

kiss (a person) (370)

put down (369)

write (340)

close (e.g., a door, a box) (334)

listen (e.g., to music) (290)

catch (an object) (281)

take (an object) from (a person) (257)

hand wave (241)

lift (a person) (201)

pull (an object) (193)

hand shake (179)

jump/leap (151)

dress/put on clothing (130)

push (another person) (122)

text on/look at a cellphone (115)

fall down (114)

throw (99)

sail boat (96)

work on a computer (94)

play with kids (70)

hit (an object) (67)

crawl (61)

enter (58)

take a photo (57)

climb (e.g., a mountain) (57)

push (an object) (56)

play with pets (52)

point to (an object) (45)

cut (43)

shoot (41)

dig (40)

press (38)

play board game (35)

swim (32)

cook (31)

clink glass (30)

fishing (27)

paint (25)

row boat (23)

extract (17)

stir (15)

chop (15)

brush teeth (14)

kick (a person) (13)

kick (an object) (10)

exit (9)

turn (e.g., a screwdriver) (8)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
自定义时空动作/行为视频数据集的制作过程需要以下步骤: 1. 数据收集:收集与目标动作/行为相关的视频片段。可以通过在公共视频平台上搜索相关关键词,或者使用摄像头拍摄自己感兴趣的动作/行为。确保视频片段的质量和多样性。 2. 数据预处理:对收集到的视频进行预处理,包括视频剪辑、格式转换和标注。选择关键帧或者将视频切割成短小的视频片段,并将其转换成计算机可读取的格式(如mp4)。同时,根据视频内容对每个视频片段进行标注,标注目标动作/行为的位置和类别。 3. 数据标注:使用标注工具(如LabelImg)对每个视频片段进行标注。通过框选或者用关键点标记目标动作/行为的起始点和终止点,以形成标注数据。 4. 数据划分:将整个数据集分成训练集和测试集。通常,将80%的数据作为训练集,20%的数据作为测试集。确保训练集和测试集的数据分布均匀,避免数据集不平衡的问题。 5. 数据增强:对训练集进行数据增强,以提高模型的泛化能力。可以使用图像处理技术如平移、旋转、缩放等进行图像增强,也可以使用视频处理技术如帧采样、速度调整等进行视频增强。 6. 模型训练:选择合适的深度学习模型(如YOLOv5、Deep等),使用训练集对模型进行训练。在训练过程中,将训练集输入到模型中,通过最小化损失函数来优化模型参数,使其能够准确地检测时空动作/行为。 7. 模型评估:使用测试集对训练好的模型进行评估。将测试集输入到模型中,计算模型的精确度、召回率等评价指标,以评估模型的性能。 8. 模型优化:根据评估结果,对模型进行优化。可以调整模型的超参数,增加训练集的规模,或者增加训练轮数等,以进一步提高模型的性能。 通过以上步骤,就可以完成自定义的时空动作/行为视频数据集的制作,并使用YOLOv5、Deep等深度学习模型进行训练和测试。这样训练出来的模型可以用于检测和识别视频中的时空动作/行为
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值