R-C3D pytorch版本的代码调试

最新推荐文章于 2024-10-12 13:48:38 发布
最新推荐文章于 2024-10-12 13:48:38 发布
阅读量2.4k 收藏 18
点赞数 2
分类专栏： 代码运行问题
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43659035/article/details/100071017
版权
本文档详细记录了R-C3D pytorch实现的调试过程，包括使用THUMOS2014数据集，环境配置如pytorch 0.4.0、cuda 9.0，解决ffmpeg缺失问题，以及编译和训练中的注意事项。在训练时遇到的libgthread-2.0.so.0错误，通过安装相关库得以解决。
摘要由CSDN通过智能技术生成

代码链接：https://github.com/sunnyxiaohu/R-C3D.pytorch

在调试过程中踩了许多大坑，在此将能想到的进行一下总结。

数据集

选用THUMOS2014数据集，他包括行为识别和时序行为检测两个任务。训练集市UCF101包括101类动作，总计13320段已经分割好的视频。他的验证集和测试集分别含有1010个和1574个未分割过的视频，但是其中只含有20类动作的未分割视频片段是有时序行为片段标注的，包括200个验证集视频（3007个行为片段）以及213个测试集视频（3358个行为片段）。仅有这些视频是可以用于进行时序行为检测的训练以及测试的。

经过多次搭建环境得到此代码的运行环境如下：

pytorch：0.4.0（其他版本经过尝试发现均会报错，当然要是大佬可以改代码就不存在这个问题）

cuda：9.0或者8.0均可。（如果pytorch和cuda版本匹配不上会报错undefined symbol: __cudaPopCallConfiguration）

torchvision：0.2.1或者0.1.6均可（0.3.0会报错AttributeError: module 'torch.nn' has no attribute 'ModuleDict'）

如何查看pytorch对应的cuda版本：

python

最低0.47元/天 解锁文章
Camellia Camellia
关注
专栏目录
深度学习与目标检测系列(五) 本文约(9万字) | 全面解读复现GoogleNet_InceptionV1-V4 | Pytorch |
weixin_44302770的博客
12-31 938
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程论文题目: Going Deeper with ConvolutionsGooglenet论文原文地址:https://arxiv.org/pdf/1409.4842.pdf之前看过VGG的论文（VGG精读直达）。当时VGG获得了 2014 ILSVRC 图像分类的第二名，今天来看一下第一名，也就是大名鼎鼎的 Google
pytorch-c3d:PyTorch为视频动作识别实现了C3D和R2Plus1D模型
04-27
pytorch-c3d 用于视频动作识别的C3D模型 可以从下载训练的模型。
R-C3D代码解析
weixin_43659035的博客
08-11 2120
自己对R-C3D代码的一些理解，本人小白，可能有错 generate_anchors.py anchor_target_layer.py proposal_layer.py proposal_target_layer_cascade.py rpn.py
C3D网络介绍及代码撰写详解（总结3）
最新发布
weixin_52531699的博客
10-12 868
本文是介绍C3D网络,个人对其的知识总结，以及结合论文进行讲解，网络设计的知识点，以及代码如何撰写，基于pytorch编写代码。作为一个刚入门的小白怎么去学习别人的代码，一步一步的去理解每一行代码，怎么将网络设计变成代码，模仿大佬的代码去撰写。作为小白如有不足之处请批评指正哈。我们提出了一种简单而有效的时空特征学习方法，使用在大规模监督视频数据集上训练的深度3维卷积网络（3D ConvNets）。
R-C3D、SCNN、C3D-DOI、GOOGLENET tensorflow1.x代码
qq_42077083的博客
06-28 438
声明一下，人家代码，只是做个传送门 借用代码：https://github.com/perfectFeng
matlab麦克斯韦速率代码-R-C3D.pytorch:R-C3Dpytorch实施
05-20
matlab麦克斯韦评分代码R-C3D的Pytorch更快实现 消息： 我们重新组织了代码，使其变得更快，更方便。 带标签的是：201810 介绍 此项目是R-C3D的一种更快的pytorch实现，旨在加速R-C3D时间动作检测模型的训练。 在实施过程中，我们引用了以下实施方案： ，是基于Pytorch + TensorFlow + Numpy开发的 ，基于caffe开发，官方实施 与上述实现相比，我们的实现具有一些独特的新功能： 它是纯Pytorch代码。 我们将所有的numpy实现都转换为pytorch！ 它支持并行训练。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 它支持并行测试。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 这是有效的内存。 我们可以在单片1080Ti（11 GB）上训练3dresnet-18并使用batchsize = 3（3个视频缓冲区，缓冲区长度= 768）。 使用8个GPU进行训练时，每个GPU的
matlab麦克斯韦速率代码-R-C3D.pytorch:R-C3D。火炬
05-20
matlab麦克斯韦评分代码R-C3D的Pytorch更快实现 消息： 我们重新组织了代码，使其变得更快，更方便。 带标签的是：201810 介绍 此项目是R-C3D的一种更快的pytorch实现，旨在加速R-C3D时间动作检测模型的训练。 在实施过程中，我们引用了以下实施方案： ，是基于Pytorch + TensorFlow + Numpy开发的 ，基于caffe开发，官方实施 与上述实现相比，我们的实现具有一些独特的新功能： 它是纯Pytorch代码。 我们将所有的numpy实现都转换为pytorch！ 它支持并行训练。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 它支持并行测试。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 这是有效的内存。 我们可以在单片1080Ti（11 GB）上训练3dresnet-18并使用batchsize = 3（3个视频缓冲区，缓冲区长度= 768）。 使用8个GPU进行训练时，每个GPU的
RC3D时序动作检测代码调试工作
qq_45783174的博客
06-15 1246
pytorch版本环境安装工程编译测试运行 环境安装 git地址：https://github.com/sunnyxiaohu/R-C3D.pytorch ubuntu18.04+CUDA9.0： 环境安装教程 anaconda环境如下： 工程编译 1.需要生成训练文件： 下载 thumos14/activity1.3数据集，在preprocess/thumos14文件夹下： 第一步将训练集处理成帧图像，第二步生成训练文件。 2.编译： cd lib sh make.sh 需要注意的是： 需要修改make
Anaconda+Pycharm环境下的PyTorch配置方法
12-20
PyCharm是一款由JetBrains公司开发的Python集成开发环境（IDE），它提供了诸如代码编辑、调试、测试和版本控制等功能，大大简化了Python项目的开发流程。与早期的文本编辑器相比，PyCharm集成了编写、运行和调试代码...
action-recognition-models-pytorch:pytorch的动作识别模型
05-10
- **端到端模型**：直接输入视频数据，如I3D、C3D等，整个识别过程在一个模型中完成。 3. **模型实现** - **C3D（Convolutional 3D）**：将2D卷积扩展到3D，处理时间维度的数据，捕捉动作动态。 - **I3D...
pytorch预训练模型下载:C3D-pretrained on Sports1M
qq_40178291的博客
10-02 2857
C3D预训练模型链接 import torch.nn as nn import torch def make_layers(cfg, batch_norm=False): layers = [] in_channels = 3 maxpool_count = 0 for v in cfg: if v == 'M': maxpo...
C3D-lstm_lstmpytorch_c3d论文复现_C3D-lstm_
09-29
根据论文写了下pytorch版的模型，替换dataset可用于训练
深度学习数据集下载集锦和THUMOS14数据集介绍
qq_40178291的博客
08-19 5803
数据集的介绍和下载集锦 图像分析数据集 以上数据集下载请参考点击链接 图像追踪数据集 下载点击链接下载链接 视频分析数据集 下载链接下载链接 3D计算机视觉 下载链接下载链接 THUMOS14数据集介绍 THUMOS14官网THUMOS14 介绍的官方文档下载链接 mAP计算方法 https://www.cnblogs.com/xiaojianliu/p/9...
【论文阅读】弱监督下的时序动作定位
三木今天学习了嘛の博客
10-26 2481
对Adaptive Two-Stream Consensus Network for Weakly-Supervised Temporal Action Localization进行阅读，并了解弱监督时序动作定位的主要任务和挑战，有了一个基本认知。
C3D代码总结（Pytorch）
热门推荐
weixin_47349091的博客
01-31 1万+
C3D代码总结（Pytorch） github：https://github.com/Niki173/C3D.git 介绍 数据介绍 文件介绍 具体操作流程 运行结果 介绍： 本次C3D模型用的是pytorch框架，我们在UCF101和HMDB51数据集上训练这些模型，本次实验以UCF101为实验对象。 数据介绍 UCF101是从YouTube收集的具有101个操作类别的逼真动作视频的动作识别数据集。此数据集是UCF50数据集的扩展，具有50个操作类别。凭借来自101个动作类别的13320个视频，UCF
[行为检测]R-C3D-Resgion Convolutional 3D Network for Temporal Activity Detection
faiculty
01-26 1万+
这篇文章是ICCV 2017的一篇文章，作者主要是以C3D网络为基础。借鉴了Faster RCNN的思路，对于任意的输入视频L，先进行proposal，然后3D-pooling,最后后进行分类和回归操作。文章主要贡献点有3个： 可以针对任意长度视频、任意长度行为进行端到端的检测 速度很快(是目前网络的5倍)，通过共享Progposal generation 和Classification网络的...
R-C3D快速视频活动物体检测算法
图像算法Imalg的博客
07-23 1016
本文介绍了经典模型R-C3D：用于时间活动检测的区域卷积3D网络。此型号来自ICCV 2017.Google Academic Display被引用了127次。近两年来，这是该领域的一项有影响力的工作。代码一直是开源的。 该算法的基本思想如下： 受目标检测方法F-RN CNR的启发，本文提出了一种区域卷积三维网络（R-C3D）。如上所示，该方法首先在3D完全卷积网络中对视频帧进行编码，然后...
R-C3D论文详解
Michael’s Blog
04-01 1300
论文链接：R-C3D: Region Convolutional 3D Network for Temporal Activity Detection 代码地址（论文提供地址）：http://ai.bu.edu/r-c3d/ 该论文借鉴图像物体检测中的Faster-RCNN的思想，文章采用3D卷积来获取视频的时序信息，然后通过类似Faster-RCNN的rpn层和roi层输出时间维度的boundingbox，也就是视频中待检测动作的时间段。 一、网络结构 R-C3D的网络结构如下图所示： 从上图可以看出，
200G时序行为检测经典数据集THUMOS 2014，文末附下载方式
CV前沿
04-14 4914
THUMOS 2014数据集包括行为识别和时序行为检测两个任务。 行为识别任务： 它的训练集为UCF101数据集，包括101类动作，共计13320段分割好的视频片段。 它的验证集和测试集则分别包括1010和1574个未分割过的视频。 时序行为检测任务： 只有20类动作的未分割视频是有时序行为片段标注的，包括200个验证集视频（包含3007个行为片段）和213个测试集视频（包含3358个行为片段）。这些经过标注的未分割视频可以被用于训练和测试时序行为检测模型。一般情况下，大家使用验证集来训练action.
RandLA-Net-pytorch: Pytorch版本的3D点云语义分割模型
此外还提及了C++，这可能是由于某些底层实现或数据加载/预处理部分可能会用到C++代码。 最后，文件名称列表中只给出了一个项：RandLA-Net-pytorch-main，这表明这是一个主仓库的名称，可能是GitHub上的项目名称。...
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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