行为分析(商用级别)04 -训练、评估、demo测试自定义的数据集-落地核心关键(重点篇)

以下链接是个人关于行为分析(商用级别)所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：17575010159 相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。文末附带 $公众号-$$海量资源。$

行为分析(商用级别)00-目录-史上最新无死角讲解
 

前置准备

根据前面的博客:
行为分析(商用级别)01 - 所有资源链接分享：论文，源码，数据集，预训练模型等
下载好 Interaction(UT-Interaction) 人类动作视频数据集，并且按照其中的图示进行摆放。
 

模型训练

# JN-OpenLib-root表示从本人github下载项目的根目录
cd ${JN-OpenLib-root}
python tools/train.py configs/detection/via3/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb.py --validate

如果模型训练过程中被中断了，想接着训练，执行如下指令

python tools/train.py configs/detection/via3/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb   --validate --resume-from work_dirs/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb/latest.pth

本人执行命令之后打印如下：

 

模型评估

使用本人百度云下载的模型进行评估：

# JN-OpenLib-root表示从本人github下载项目的根目录
cd ${JN-OpenLib-root}
python tools/test.py configs/detection/via3/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb.py ../../Checkpoints/mmaction/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb.pth --eval mAP

使用你本人自己训练出来的模型进行评估

# JN-OpenLib-root表示从本人github下载项目的根目录
cd ${JN-OpenLib-root}
python tools/test.py configs/detection/via3/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb.py work_dirs/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb/latest.pth --eval mAP

本人评估结果打印l类似如下：

 

demo测试

运行之后如果视频卡住，请不要着急，耐心等待即可

# JN-OpenLib-root表示从本人github下载项目的根目录
# --config 行为分析模型配置文件     --checkpoint 行为分析模型权重文件
# --det-config 行人检测模型配置文件     
# --det-checkpoint  行人检测模型权重文件 （其完全兼容mmdetection，如果想要了解可以参考本人之前的博客: https://blog.csdn.net/weixin_43013761/article/details/108368099）
# --camera-id  摄像头id，也可以接入rtsp流，或者视频文件名      # --img-scale 输出图像缩放尺寸
# --det-score-thr  检测行人阈值      --drawing-stepsize 每间隔n帧进行一次行人检测推理

cd ${JN-OpenLib-root}
python mywork/webcam_demo_via3.py  --config work_dirs/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb.py --checkpoint work_dirs/my_slowfast_kinetics_pretrained_r50_8x8x1_20e_via3_rgb/latest.pth --det-config ./mywork/faster_rcnn_r50_fpn_2x_coco.py  --det-checkpoint ../../Checkpoints/mmdetection/faster_rcnn_r50_fpn_2x_coco_bbox_mAP-0.384_20200504_210434-a5d8aa15.pth --camera-id  mywork/seq10.avi --img-scale 0.5 --det-score-thr 0.5 --act-score-thr 0.0 --drawing-stepsize 3

本人显示结果类似如下：

 

结语

到这里为止，我们已经知道如何去检测视频，摄像头图像的动作，以及对开源数据集进行训练。那么接下来，就是需要学习如何制作，以及训练自己的数据集了（$项目落地的核心关键$）。