目錄

• 前言
• 一，數(shù)據(jù)文件結(jié)構(gòu)
• • 1.1 myava
  • 1.2 annotations
  • 1.3 annotations文件處理
  • 1.4 frame_lists
  • 1.5 frames
• 二，預(yù)訓(xùn)練模型
• 四，配置文件
• • 4.1 創(chuàng)建新的yaml文件
  • 4.2 yaml文件解釋
• 五，訓(xùn)練
• 六，結(jié)果查看

前言

b站講解
ava的數(shù)據(jù)集非常大，訓(xùn)練起來非常慢，這次我就把ava的數(shù)據(jù)集縮小到2個視頻（原本有299個視頻），這樣做的目的是觀察slowfast是如何訓(xùn)練ava數(shù)據(jù)集的。也為我后面制作自己的數(shù)據(jù)集做下鋪墊。

一，數(shù)據(jù)文件結(jié)構(gòu)

首先需要把原有的數(shù)據(jù)文件的內(nèi)容進(jìn)行修改，原來的數(shù)據(jù)文件針對的是299個視頻圖片，這次只針對2個視頻圖片。

1.1 myava

新建一個文件夾myava，這里存放下圖顯示的文件夾：annotations、frame_lists、frames。

1.2 annotations

在annotations文件下，有如下文件，這些文件是從官網(wǎng)下載的

這里不要使用官網(wǎng)的默認(rèn)版本，采用最新的2.2版本，官網(wǎng)有一個下載的鏈接：https://dl.fbaipublicfiles.com/pyslowfast/annotation/ava/ava_annotations.tar

下載后，解壓（我是在ubuntu下解壓的），使用tree查看其結(jié)構(gòu)：

├── ava_annotations │ ├── ava_action_list_v2.1_for_activitynet_2018.pbtxt │ ├── ava_action_list_v2.2_for_activitynet_2019.pbtxt │ ├── ava_action_list_v2.2.pbtxt │ ├── ava_included_timestamps_v2.2.txt │ ├── ava_test_excluded_timestamps_v2.1.csv │ ├── ava_test_excluded_timestamps_v2.2.csv │ ├── ava_test_v2.2.csv │ ├── ava_train_excluded_timestamps_v2.1.csv │ ├── ava_train_excluded_timestamps_v2.2.csv │ ├── ava_train_v2.1.csv │ ├── ava_train_v2.2.csv │ ├── ava_val_excluded_timestamps_v2.1.csv │ ├── ava_val_excluded_timestamps_v2.2.csv │ ├── ava_val_v2.1.csv │ ├── ava_val_v2.2.csv │ ├── person_box_67091280_iou75 │ │ ├── ava_detection_test_boxes_and_labels.csv │ │ ├── ava_detection_train_boxes_and_labels_include_negative.csv │ │ ├── ava_detection_train_boxes_and_labels_include_negative_v2.1.csv │ │ ├── ava_detection_train_boxes_and_labels_include_negative_v2.2.csv │ │ ├── ava_detection_val_boxes_and_labels.csv │ │ ├── ava_detection_val_for_training_boxes_and_labels_include_negative.csv │ │ └── ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv │ ├── person_box_67091280_iou90 │ │ ├── ava_action_list_v2.1_for_activitynet_2018.pbtxt │ │ ├── ava_detection_test_boxes_and_labels.csv │ │ ├── ava_detection_train_boxes_and_labels_include_negative.csv │ │ ├── ava_detection_train_boxes_and_labels_include_negative_v2.1.csv │ │ ├── ava_detection_train_boxes_and_labels_include_negative_v2.2.csv │ │ ├── ava_detection_val_boxes_and_labels.csv │ │ ├── ava_detection_val_for_training_boxes_and_labels_include_negative.csv │ │ ├── ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv │ │ ├── ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv │ │ ├── ava_train_predicted_boxes.csv │ │ ├── ava_train_v2.1.csv │ │ ├── ava_val_excluded_timestamps_v2.1.csv │ │ ├── ava_val_predicted_boxes.csv -> ava_detection_val_boxes_and_labels.csv │ │ ├── ava_val_v2.1.csv │ │ ├── test.csv │ │ ├── train.csv │ │ └── val.csv │ ├── test.csv │ ├── train.csv │ └── val.csv └── ava_annotations.tar

這些文件不能全要，只去我們所需的，因為我們用的每一個都是需要進(jìn)行修改的。

下面是需要的文件：
annotations
—person_box_67091280_iou90
------ava_detection_train_boxes_and_labels_include_negative_v2.2.csv
------ava_detection_val_boxes_and_labels.csv
—ava_action_list_v2.2_for_activitynet_2019.pbtxt
—ava_detection_val_boxes_and_labels.csv
—ava_train_v2.1.csv
—ava_train_v2.2.csv
—ava_val_excluded_timestamps_v2.2.csv
—ava_val_v2.2.csv

1.3 annotations文件處理

每一個文件都需要處理，下面開始處理：
1,/annotations/person_box_67091280_iou90/ava_detection_train_boxes_and_labels_include_negative_v2.2.csv:
如下圖所示，只要第一列名為： -5KQ66BBWC4的所有行

2,/annotations/person_box_67091280_iou90/ava_detection_val_boxes_and_labels.csv
如下圖所示，只要第一列為：1j20qq1JyX4 的所有行

3,/annotations/ava_action_list_v2.2_for_activitynet_2019.pbtxt:
這個文件不改，這是用來記錄行為種類的，共有80個

4,annotations/ava_detection_val_boxes_and_labels.csv

如下圖所示，只要第一列為：1j20qq1JyX4 的所有行

5,/annotations/ava_train_v2.1.csv, /annotations/ava_train_v2.2csv
這兩個文件非常類似，處理方法也一樣

如下圖所示，只要第一列名為： -5KQ66BBWC4的所有行

6,/annotations/ava_val_excluded_timestamps_v2.2.csv
這個是空文件，因為在我們所選的視頻中，沒有需要排除的幀。

7，/annotations/ava_val_v2.2.csv

如下圖所示，只要第一列為：1j20qq1JyX4 的所有行

1.4 frame_lists

在frame_lists目錄下，這里只存放了兩個文件：train.csv、val.csv
下載地址：train.csv、val.csv

同樣需要修改，同上一小節(jié)講的。

1,frame_lists/train.csv

如下圖所示，只要第一列名為： -5KQ66BBWC4的所有行

2,frame_lists/val.csv

如下圖所示，只要第一列為：1j20qq1JyX4 的所有行

1.5 frames

/frames下有兩個文件夾：-5KQ66BBWC4,1j20qq1JyX4
這兩個文件夾里存放的就是ava剪輯后的圖片，制作過程參考官網(wǎng)

二，預(yù)訓(xùn)練模型

最好使用預(yù)訓(xùn)練模型，這樣可以縮短訓(xùn)練的一個時間，我用的預(yù)訓(xùn)練模型如下圖

模型下載官網(wǎng)，預(yù)訓(xùn)練模型下載鏈接

下載下來后，放在文件夾/SlowFast/configs/AVA/c2/下面，如下圖（由于下載的預(yù)訓(xùn)練模型和之前一個模型重名，所以我在預(yù)訓(xùn)練模型后面加了個ss）

四，配置文件

4.1 創(chuàng)建新的yaml文件

在/SlowFast/configs/AVA/下創(chuàng)建一個新的yaml文件：SLOWFAST_32x2_R50_SHORT4.yaml，如下圖

代碼如下：

TRAIN:ENABLE: TrueDATASET: avaBATCH_SIZE: 2 #64EVAL_PERIOD: 5CHECKPOINT_PERIOD: 1AUTO_RESUME: TrueCHECKPOINT_FILE_PATH: '/home/lxn/0yangfan/Slowfast2/SlowFast-master/configs/AVA/c2/SLOWFAST_32x2_R101_50_50ss.pkl' #path to pretrain modelCHECKPOINT_TYPE: caffe2 DATA:NUM_FRAMES: 32SAMPLING_RATE: 2TRAIN_JITTER_SCALES: [256, 320]TRAIN_CROP_SIZE: 224TEST_CROP_SIZE: 224INPUT_CHANNEL_NUM: [3, 3]PATH_TO_DATA_DIR: '/disk6T/ava' DETECTION:ENABLE: TrueALIGNED: True AVA:FRAME_DIR: '/disk6T/myava/frames'FRAME_LIST_DIR: '/disk6T/myava/frame_lists'ANNOTATION_DIR: '/disk6T/myava/annotations'#LABEL_MAP_FILE: 'ava_action_list_v2.1_for_activitynet_2018.pbtxt'#0GROUNDTRUTH_FILE: 'ava_val_v2.1.csv'#TRAIN_GT_BOX_LISTS: ['ava_train_v2.1.csv']DETECTION_SCORE_THRESH: 0.8TRAIN_PREDICT_BOX_LISTS: ["ava_train_v2.2.csv","person_box_67091280_iou90/ava_detection_train_boxes_and_labels_include_negative_v2.2.csv",]#TRAIN_PREDICT_BOX_LISTS: ["ava_train_predicted_boxes.csv"]TEST_PREDICT_BOX_LISTS: ["person_box_67091280_iou90/ava_detection_val_boxes_and_labels.csv"]#TEST_PREDICT_BOX_LISTS: ["ava_test_predicted_boxes.csv"]#EXCLUSION_FILE: "ava_train_excluded_timestamps_v2.1.csv"SLOWFAST:ALPHA: 4BETA_INV: 8FUSION_CONV_CHANNEL_RATIO: 2FUSION_KERNEL_SZ: 7 RESNET:ZERO_INIT_FINAL_BN: TrueWIDTH_PER_GROUP: 64NUM_GROUPS: 1DEPTH: 50TRANS_FUNC: bottleneck_transformSTRIDE_1X1: FalseNUM_BLOCK_TEMP_KERNEL: [[3, 3], [4, 4], [6, 6], [3, 3]]SPATIAL_DILATIONS: [[1, 1], [1, 1], [1, 1], [2, 2]]SPATIAL_STRIDES: [[1, 1], [2, 2], [2, 2], [1, 1]] NONLOCAL:LOCATION: [[[], []], [[], []], [[], []], [[], []]]GROUP: [[1, 1], [1, 1], [1, 1], [1, 1]]INSTANTIATION: dot_productPOOL: [[[1, 2, 2], [1, 2, 2]], [[1, 2, 2], [1, 2, 2]], [[1, 2, 2], [1, 2, 2]], [[1, 2, 2], [1, 2, 2]]] BN:USE_PRECISE_STATS: FalseNUM_BATCHES_PRECISE: 200 SOLVER:BASE_LR: 0.1LR_POLICY: steps_with_relative_lrsSTEPS: [0, 10, 15, 20]LRS: [1, 0.1, 0.01, 0.001]MAX_EPOCH: 20MOMENTUM: 0.9WEIGHT_DECAY: 1e-7WARMUP_EPOCHS: 5.0WARMUP_START_LR: 0.000125OPTIMIZING_METHOD: sgd MODEL:NUM_CLASSES: 80ARCH: slowfastMODEL_NAME: SlowFastLOSS_FUNC: bceDROPOUT_RATE: 0.5HEAD_ACT: sigmoid TEST:ENABLE: FalseDATASET: avaBATCH_SIZE: 8 DATA_LOADER:NUM_WORKERS: 2PIN_MEMORY: True NUM_GPUS: 1 NUM_SHARDS: 1 RNG_SEED: 0 OUTPUT_DIR: .

4.2 yaml文件解釋

TRAIN
1.1. ENABLE: True。這里將TRAIN設(shè)置為TRUE，同樣的，也要TEST.ENABLE設(shè)置為False（我們只需要訓(xùn)練的過程）
1.2 BATCH_SIZE: 2 #64.這里batch_size是由于我的電腦顯存不夠，只能設(shè)置為2，如果大家的顯存夠大，可以把這個batch_size設(shè)置的大一些。
1.3 CHECKPOINT_FILE_PATH: ‘/home/lxn/0yangfan/Slowfast2/SlowFast-master/configs/AVA/c2/SLOWFAST_32x2_R101_50_50ss.pkl’ 這里放的是預(yù)訓(xùn)練模型的位置

DATA
2.1 PATH_TO_DATA_DIR: ‘/disk6T/ava’ 這里是ava文件的位置

其他也比較簡單，大家就自己理解了。

五，訓(xùn)練

python tools/run_net.py --cfg configs/AVA/SLOWFAST_32x2_R50_SHORT4.yaml

六，結(jié)果查看

這里就要參考之前的博客進(jìn)行結(jié)果的查看：
【SlowFast復(fù)現(xiàn)】SlowFast Networks for Video Recognition復(fù)現(xiàn)代碼 使用自己的視頻進(jìn)行demo檢測

使用訓(xùn)練后的權(quán)重，對我們的視頻進(jìn)行檢測，會發(fā)現(xiàn)檢測結(jié)果很糟糕。畢竟只是用了1個訓(xùn)練視頻和1個驗證視頻

最后檢驗的視頻會上傳到B站中。

總結(jié)

以上是生活随笔為你收集整理的【slowfast 减少ava数据集】将ava数据集缩小到2个，对数据集做训练，然后进行检测，为训练自己的数据集做准备的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。