MMAction2-视频理解、行为识别（学习笔记-附代码实操）

一、MMAction2——视频理解与行为识别

• 行为识别，时序检测，时空检测三种任务的联系

  

• 对于视频的理解

  视频 = 空间 + 时间：图像为二维空间，视频是三维，视频相对于图像多出来的维度就是时间维度。

  

• 视频理解的重点

  • 重点1：如何描述视频中的动作?

    动作 = 外观 + 运动。外观是静态的，是图像帧。运动是动态的，也叫帧间运动，就是时序上的变化。

    

    • 思路1：独立提取图像特征，再进行时序建模

      把静态的外观特征与动态的时序上的变化分成两个层次建模。

      第一层次：提取每一个图像的外观特征。

      第二层次：在外观特征所形成的序列基础之上进行一次时序建模。

      提取动态信息，根据动态信息获取动作特征。

      

    • 思路2：外观特征与运动特征并行计算，最后融合

      首先根据单帧图像提取外观特征

      通过相邻帧的变化，提取瞬时变化的信号，进而提取运动特征

      以上两步并行计算，最后融合

      

    • 思路3：利用更加强大的模型，从多帧图像直接计算运动特征

      

  • 重点2：如何高效的处理视频数据？

    视频的数据量远大于图像，一秒钟的视频就包含20~30张图像，对计算量，内存的占用都会带来巨大挑战

  • 重点3：如何利用无标注的视频数据训练模型？

    标注视频的工作量比起图像标注要打百倍千倍，传统的对每一张图片进行精细标注，不太现实。

1. 光流和2D卷积（解决重点1，2）

• 光流——捕捉视频中的运动。光流是图像平面上的向量场，光流通常基于相邻图像帧进行估计得到。光流就是把图像中每一个点的位移表示出来。光流整体能表达出全图各个点的位移的方向和幅度。

• 光流的估计

  
  这里有些Latex符号在这里会报错，所以直接贴图了。（Typora中打的）

• 光流的可视化

  

• 光流的两种类型

  颜色表示方向，亮度表示大小

  • 稀疏光流：跟踪少量感兴趣的点
  • 稠密光流：估算所有像素的光流

• 深度学习时代的视频理解

  • DeepVideo（2014）

    用图像分类网络AlexNet在每一帧图片上提取特征并融合在一起，但是没有性能上的提升。因为它只关注每一帧图像的外观特征，没有捕捉运动特征。

  

  • Two Stream Networks(2014)

    双流神经网络

    • Spatial stream是空间流，以单张图像为输入，主要提取每一帧图像的外观特征
    • Temporal stream是时间流，以多帧光流作为输入，用卷积网络作用在光流场（即二维信号）上面取提取运动特征。
    • 最终，两个分支提取出外观特征和运动特征，结合在一起。
    • 解决重点2
      • 在训练时：随机选择视频的某一时刻，计算图像的光流
      • 在测试时：在全部时刻进行预测，再平均所有时刻的分类概率
    • 双流神经网络存在的问题：双流网络聚焦在短时建模，动作由单一时刻的图像和光流所确定，会存在一些信息上的误解。因此需要长时建模，动作应该由整个时间段内的图像和运动信息所确定

    

  • Temporal Segment Networks(2016)

    时序分段网络TSN

    • 当一段视频进来的时候，不会逐帧取采样，会按照一个固定的间隔去采。例如，把整段视频分割为3个段落，每个段落取1个瞬间，再送进双流网络进行外观与运动的特征提取 。3个段落中分别进行前，中，后段的动作预测。最后，融合得到全视频的动作预测。
    • TSN关键点：用新的分段采样的方式，而不是按照一定固定的频率去进行密集采样。让视野得到有效的扩大，信息更加综合多元。

    

2. 3D卷积网络（解决重点1，2）

• （1）与2D卷积网络的区别

  • 在双流网络和TSN上，会基于光流去提取运动特征。即通过图像帧去提取运动特征。

  

  • 3D卷积：2D卷积用于图像特征提取。而3D卷积用于视频特征提取，就是多增加了一个时间维度。

    

• （2）3D卷积网络——I3D的提出

  • I3D（2017）

    关键点：3D网络由图像分类的2D网络“膨胀”得来，因此可以充分利用已有的图像分类模型。

    从此，基于膨胀的三维卷积核的三维卷积网络I3D逐渐称为动作识别这个领域的主流方法。

    • 关于膨胀2D卷积

      3D卷积相比于2D卷积多了一个在时间维度的堆叠

      

    • 对图像分类的2D网络Inception进行膨胀

      卷积膨胀：从二维的一个卷积核复制几份叠到一起，形成一个三维卷积核

      

  • 相关视频理解方法的对比

    （a）DeepVideo模型（2D卷积+LSTM）：2D卷积只能处理单帧数据，而对于视频数据来说，则需要将2D卷积处理的多张单帧数据做融合，LSTM就是融合的方法。（即直接作用在图像上，通过二维卷积方法提取每一帧图像的外观特征，然后将特征送入LSTM来捕捉时间特征。）

    （b）C3D模型（3D卷积）：将2维卷积核变为3维卷积核。（单纯基于空间流，但没有使用膨胀卷积核，参数多，训练难度加大）

    （c） 双流神经网络（2D卷积）：还是基于图像帧去提取外观特征与运动特征。

    （d）I3D模型——基于3D卷积的双流模型（3D卷积）：3D卷积模型没有像2D卷积一样有成熟的预训练参数，所以借鉴了成熟的图像分类网络（2D卷积网络）Inception，将网络中的2D卷积核变为3D卷积核。H，W对应的参数直接从Inception获取，D参数自己训练。（I3D的训练方式是先通过Kinetics数据集进行预训练，再训练HMD51和UCF101并验证效果）

    总而言之，I3D就是将C3D与双流网络进行融合。

    

    

• （3）更高效的3D卷积网络（解决重点2）

  • 解决办法1：分解3D卷积核

    原因：全部使用3D卷积参数量最大

    目的：降低参数量

    思路：先过一遍空间卷积，进行空间信息的融合，再过一遍时间卷积，进行时间维度的融合。
    $$t{d}^2>d^2+t$$

    相关网络：S3D（2018） & R2 + 1D（2018）

    

  • 解决办法2：减少通道关联

    输入通道是c，输出通道是c的时候，则需要c²个卷积核。可以选择分组卷积＆逐层卷积的方法。

    

    

  • SlowFast（2019）

    • 关键点：外观和运动速度的变化不同，外观变化慢，运动变化快。

    • 思路：用低帧率对外观进行采样，用高帧率对运动进行采样。并用相对轻量级的网络结构来平衡计算量。

      

3. 弱监督学习方法（解决重点2，3）

• 弱监督学习：使用标注不完整的数据进行学习，但也要有一定的标注去引导。
• 基本思路：
  1. 大规模无标注或精确标注的数据进来，进行过滤筛选，得到值得标注的数据，进行标注
  2. 针对部分标注的数据进行监督学习，获得预训练模型

• IG-65M(2019)

  • 背景：Facebook2019年提出。使用Kinetics数据集。Kinetics是一个标准的学术数据集，里面提供大量视频。

  • 主要内容：利用Kinetics数据里的关键标签，再从Instagram（大型的图像和视频分享网站）收集6500万个视频，对Kinetics上经过良好标注的视频进行补充。从而形成一个整体的弱监督的数据集，去预训练一个大模型。预训练完成后，再在Kinetics数据集上进行微调训练。

  • 实验结果

    （1）经过预训练的模型的性能优于直接在目标数据集上训练的模型

    （2）预训练使用的数据越多，性能越好，不准确的标注由数据量弥补

    

• OmniSource（2020）

  • 背景：2020年，港中文提出的，使用多种来源的数据（长视频，短视频，图像）联合训练模型，对数据的利用更高效

  • 主要内容

    （1）数据爬取：获取原始网络的不同形态的图像视频

    （2）数据过滤：使用与训练好的模型进行数据筛选，形成筛选后的数据集

    （3）标准化处理：格式化视频与图像，形成标准化数据集

    （4）混合数据训练模型

  • 实验结果：分类精度进一步提升

总结（基于重点1，2，3）

（1）视频理解的3个基本任务：行为识别，时序动作检测，时空动作检测

（2）重点1：如何获得更好的动作特征？

• 深度学习时代以前：DT
• 深度学习时代早期：双流网络，TSN提出分段采样的方式
• 如今：基于3D卷积网络，尤其是I3D，通过对卷积核进行膨胀，获得有效的训练3D卷积网络的方法

（3）重点2：如何高效地处理视频数据，提高3D卷积模型地计算效率？

• 时空分解：S3D，R（2+1）D
• 优化参数分配：SlowFast

（4）重点3：如何控制标注成本？

• 弱监督学习：IG-65M，OmniSource

二、视频理解工具包——MMAction2

1. 行为识别模型的结构

• action recognition实际上是个分类问题。主要由两类模型，一个是基于2D卷积神经网络的，另一种是基于3D卷积神经网络的。

• 2D，3D两类模型在构成上没有太大区别，区别在于处理输入方面。

  • 2D：接受一些独立的图像帧，送进主干网络进行分类
  • 3D：接受连续的图像帧，送进主干网络进行分类

  

2. TSN模型配置

• TSN是一个2D模型，主干网络使用ResNet-50层的结构
• TSN需要输入一个视频在不同时刻若干个图像帧（clip），处理不同的clip的神经网络是共享参数的，所以只初始话1个backbone。即用一个backbone处理所有的clip的图像，再把结果平均放到TSNHead里去产生最终的分类结果。

model = dict(
	type = 'Recognizer2D',
    
    # 2D ResNet-50作为主干网络
    backbone = dict(
    	type = 'ResNet',
        pretrained = 'torchvision://resnet50',   # 从torchvision中拿取ResNet-50的预训练参数
        depth = 50,
        norm_eval = False),
    
    # TSN的分类头
    cls_head = dict(
    	type = 'TSNHead',      # TSN的头会接收ResNet产生的特征
    	num_classes = 400,
        in_channels = 2048,
        spatial_type = 'avg',
        consensus = dict(type = 'AvgConsensus', dim = 1),    # 通过平均共识函数，把多个特征平均到一起，再产生400类的分类（Kinetics400）
        dropout_ratio = 0.4,
        init_std = 0.01),


)

3. I3D模型配置

• I3D是一个3D模型，主干网络使用ResNet-50层的结构

• 原始论文中I3D是基于Inception，这里基于ResNet-50

• 关于I3D的分类头：3D卷积网络要接受的是一个5维的输入，这里通常会使用average pooling把THW3个维度压缩成1个维度。然后只剩下batch维和通道维，通道维的维度是2048，经过average pooling后，针对每个数据可以得到2048个特征，然后再用一个全连接层产生一个400维的分类概率。模型最终输出400维的分类概率。

  • 5个维度：batch维，通道维，THW维（时间，宽度，高度）

model = dict(
	type = 'Recognizer3D',
    
    # 膨胀的3D ResNet-50作为主干网络
    backbone = dict(
    	type = 'ResNet3d',
        pretrained2d = True,                     # 使用 2D ResNet-50的预训练参数
        pretrained = 'torchvision://resnet50',   # 从torchvision中拿取ResNet-50的预训练参数
        depth = 50,
        conv_cfg = dict(type = 'Conv3d'),
        norm_eval = False,
        '''
        infalte = 1,表示在对应的层使用膨胀策略，将2D卷积变为3D卷积，指定为0就不使用膨胀
        
        ResNet-50有4组残差模块每组残差模块中分别有3，4，6，3个残差模块，1和0就表示指定的残差模块是否膨胀。	
        '''
        inflate = ((1, 1, 1), (1, 0, 1, 0), (1, 0, 1, 0, 1, 0), (0, 1, 0)),
        zero_init_residual = False),     # 分类时设置为True
    
    # I3D的分类头
    cls_head = dict(
    	type = 'I3DHead',
        num_classes = 400,
        in_channels = 2048,     # 通道维
        spatial_type = 'avg',
        dropout_ratio = 0.5,
        init_std = 0.01),

)

4. 数据集配置

• 数据集类型：

  • RawframeDataset（读图像帧）——将MP4或者其他编码格式的视频先在线下解码成一帧一帧的图像，然后将所有的图像帧存到对应的目录里，这个目录就代表一个视频。目的是为了减少在训练时的解码时间。所以预先把所有视频解码好，放到一个文件夹里训练的时候按照帧的序号去读对应的图像文件。如下图所示。

    

    依次为：图像帧目录，图像帧数量，动作分类的序号。其中，每一个目录代表一个视频。

  • VideoDataset（读视频）

data = dict(
	# batchsize(每个视频加载的进程数)
    videos_per_gpu = 8,
    # 视频读取进程数
    workers_per_gpu = 4,
    # 指定数据子集
    train/val/test = dict(
    	# 数据集类型
        type = 'RawframeDataset'/'VideoDataset'/...,
        # 类别标注文件（RawframeDataset读图像帧的文件夹）
        ann_file = 'annotation.txt',
        # 数据集根目录
        data_prefix = 'data/kinetics400/rawframes_train',
        # 数据是图像还是光流
        modality = 'RGB'/'Flow',
        # 指定数据处理的工作流，通常做数据读取或者数据增强之类的任务
        pipeline = train_pipeline
    )
)

• 数据处理的pipeline
  • SampleFrames：从视频抽取一些帧，用clip_len定义帧长度，frame_interval为抽取的步长，num_clips为抽取几个片段
  • RawFrameDecode：把对应的图像帧读取进来，并且进行解码
  • Resize：裁剪
  • Flip：翻转
  • Normalize：像素值归一化
  • FormatShape：对维度进行排序。例如NCTHW就是batch维，通道维，时间维，空间维
  • ToTensor：从处理好的数据中把对应的图像，类别标签转化成对应格式的tensor，最终传给分类模型进行前传计算。
  • 总体步骤：读取连续帧图像→解码对应帧图像→数据增强→将数据转化为torch.Tensor→分类模型

train_pipeline = [
    dict(type = 'SampleFrames', clip_len = 32, frame_interval = 2, num_clips = 1),  # 32帧，每隔两帧抽取一帧，覆盖64帧，抽取1个片段
    dict(type = 'RawFrameDecode'),             # 解码，成为32个h×W数组
    dict(type = 'Resize', scale = (-1, 256)),  # 裁剪
    dict(type = 'RandomResizedCrop'),
    dict(type = 'Resize', scale = (224, 224), keep_ratio = False),
    dict(type = 'Flip', flip_ratio = 0.5),     # 翻转
    dict(type = 'Normalize', **img_norm_cfg),  # 像素归一化
    dict(type = 'FormatShape', input_format = 'NCTHW'),               # 维度排序
    dict(type = 'Collect', keys = ['imgs', 'label'], meta_keys = []),
    dict(type = 'ToTensor', keys = ['imgs', 'label'])                # 转化为totensor格式
]

5. 常用的训练策略（MMAction2中）

• sgd_50e.py配置文件
  • SGD优化器
  • lr_config：步长下降策略，在20轮和40轮的时候将学习率降为原来的1/10，训练50轮结束
  • optimizer_config：梯度策略，每一次算出梯度之后，把所有的梯度通过norm2（求平方和再开平方）算出梯度整体的norm。当梯度的总体norm超过max_norm使进行归一化，把norm进行整体缩小。以增加训练稳定性，防止梯度过大。

# optimizer
optimizer = dict(
	type = 'SGD',
    lr = 0.01,    # 8 gpus
    momentum = 0.9,
    weight_dacay = 0.0001)
optimizer_config = dict(grad_clip = dict(max_norm = 40, norm_type = 2))

# learning policy
lr_config = dict(policy = 'step', step = [20, 40])
total_epochs = 50

三、代码实操

主要任务：

1. 用MMAction2的识别模型做一次推理
2. 用新数据集训练一个新的识别模型
3. 用MMAction2的时空检测模型做一次推理

1. 安装依赖库

这里是我安装的版本，要注意相关版本的对应。具体的安装文档见最后的地址链接。

• cuda 11.1
• GCC 6.3.0
• torch 1.8.0
• torchvision 0.9.0
• MMAction2 0.24.0

# 检查 nvcc，gcc 版本
!nvcc -V
!gcc --version
# 检查torch的版本＞1.5，GPU是否可用
import torch, torchvision
print(torch.__version__, torch.cuda.is_available(), torchvision.__version__)
# 检查mmcv版本
from mmcv.ops import get_compiling_cuda_version, get_compiler_version
print(get_compiler_version())
print(get_compiling_cuda_version())
# 检查MMAction2的版本
import mmaction
print(mmaction.__version__)

2. MMAction2识别模型推理（用提供的预训练模型）

• 预训练模型TSN下载地址：TSN下载
• 配置文件命名：
  • r50：主干网络ResNet50
  • kinetics400：数据集
  • rgb：只基于RGB去训练，没有使用光流
  • 1×1×3：用了3个clip，把视频分割为前中后3段，每一段去采集对应的图像帧
  • 100e：总共训练了100个epoch
• 下载完预训练模型放到checkpoints文件夹中

# 创建checkpoints文件夹，并下载TSN模型
!mkdir checkpoints
from mmaction.apis import inference_recognizer, init_recognizer

# 选择tsn对应的配置文件
config = 'configs/recognition/tsn/tsn_r50_video_inference_1x1x3_100e_kinetics400_rgb.py'
# 加载上面下载的checkpoint文件
checkpoint = 'checkpoints/tsn_r50_1x1x3_100e_kinetics400_rgb_20200614-e508be42.pth'
# 在GPU上初始化该模型
model = init_recognizer(config, checkpoint, device='cuda:0')

# 选择视频进行推理
video = 'demo/demo.mp4'
label = 'tools/data/kinetics/label_map_k400.txt'    # 400行的文件，每行就是数据集的一个类别
results = inference_recognizer(model, video)

labels = open(label).readlines()
labels = [x.strip() for x in labels]
results = [(labels[k[0]], k[1]) for k in results]

# 查看视频，传入已定义的video
from IPython.display import HTML
from base64 import b64encode
mp4 = open(video,'rb').read()        # rb以二进制格式打开一个文件用于只读。
data_url = "data:video/mp4;base64," + b64encode(mp4).decode()
HTML("""
<video width=400 controls>
      <source src="%s" type="video/mp4">
</video>
""" % data_url)

demo视频为arm wrestling，地址：demo.mp4

# 查看推理Top-5结果
for result in results:
    print(f'{
      
      result[0]}: ', result[1])

最终用这个预训练的TSN模型得到以下分类结果

3. 在自定义数据集上训练模型（kinetics400_tiny）

训练新模型的三个步骤：

1. 整理数据：通常要把数据整理成固定的格式，并且对应生成一些标注文件
2. 修改配置文件：把里面原有的数据替换成我们自定义的数据
3. 训练模型

3.1 整理数据

• 将数据转换为已有数据集格式的示例。
• 用到的是一个从Kinetics-400中获取的tiny数据集。包含30个训练视频，10个测试视频。
• 有两个标注文件分别对应训练集和验证集（二分类）

下载并且解压数据集kinetics400_tiny，下载地址：kinetics400_tiny

# 查看标注文件格式(linux命令-cat，正斜杠/)
!type kinetics400_tiny\kinetics_tiny_train_video.txt

3.2 修改配置文件

• 我们需要修改配置文件，同时会用到之前下载的checkpoint作为pre-trained模型。
• 在之前用于kinetics400-full数据集训练的tsn模型配置上进行修改，让模型可以在Kinetics400-tiny数据集上进行训练。在小数据集上进行训练。
• 30个epoch的训练进程pth文件，会保存到生成的tutorial_exps文件夹中。

# 获得tsn对应的配置文件cfg（分了8个clip）
from mmcv import Config
cfg = Config.fromfile('./configs/recognition/tsn/tsn_r50_video_1x1x8_100e_kinetics400_rgb.py')

from mmcv.runner import set_random_seed

# 修改数据集类型和各个文件路径
cfg.dataset_type = 'VideoDataset'
cfg.data_root = 'kinetics400_tiny/train/'
cfg.data_root_val = 'kinetics400_tiny/val/'
cfg.ann_file_train = 'kinetics400_tiny/kinetics_tiny_train_video.txt'
cfg.ann_file_val = 'kinetics400_tiny/kinetics_tiny_val_video.txt'
cfg.ann_file_test = 'kinetics400_tiny/kinetics_tiny_val_video.txt'

cfg.data.test.type = 'VideoDataset'
cfg.data.test.ann_file = 'kinetics400_tiny/kinetics_tiny_val_video.txt'
cfg.data.test.data_prefix = 'kinetics400_tiny/val/'

cfg.data.train.type = 'VideoDataset'
cfg.data.train.ann_file = 'kinetics400_tiny/kinetics_tiny_train_video.txt'
cfg.data.train.data_prefix = 'kinetics400_tiny/train/'

cfg.data.val.type = 'VideoDataset'
cfg.data.val.ann_file = 'kinetics400_tiny/kinetics_tiny_val_video.txt'
cfg.data.val.data_prefix = 'kinetics400_tiny/val/'

# 这里用于确认是否使用到omnisource训练
cfg.setdefault('omnisource', False)
# 修改cls_head中类别数为2
cfg.model.cls_head.num_classes = 2
# 使用预训练好的tsn模型
cfg.load_from = './checkpoints/tsn_r50_1x1x3_100e_kinetics400_rgb_20200614-e508be42.pth'

# 设置工作目录
cfg.work_dir = './tutorial_exps'

# 由于是单卡训练，修改对应的lr
cfg.data.videos_per_gpu = cfg.data.videos_per_gpu // 16   # 为了加速运行，把batchsize改为原来的1/16
cfg.optimizer.lr = cfg.optimizer.lr / 8 / 16              # 原始配置文件中使用8卡训练，根据线性扩展策略，把lr降到原来的1/128
cfg.total_epochs = 30

# 设置存档点间隔减少存储空间的消耗
cfg.checkpoint_config.interval = 10
# 设置日志打印间隔减少打印时间
cfg.log_config.interval = 5

# 固定随机种子使得结果可复现
cfg.seed = 0
set_random_seed(0, deterministic=False)
cfg.gpu_ids = range(1)

# 打印所有的配置参数
print(f'Config:\n{
      
      cfg.pretty_text}')

3.3 在（自定义的）kinetics400_tiny数据集上训练模型

import os.path as osp

from mmaction.datasets import build_dataset   # 调用build_dataset构建数据集
from mmaction.models import build_model       # 调用build_model构建模型
from mmaction.apis import train_model         # 调用train_model训练模型，传入配置文件，数据，模型

import mmcv

# 构建数据集
datasets = [build_dataset(cfg.data.train)]

# 构建动作识别模型（基于预训练模型，把分类数改为2）
model = build_model(cfg.model, train_cfg=cfg.get('train_cfg'), test_cfg=cfg.get('test_cfg'))

# 创建工作目录并训练模型
mmcv.mkdir_or_exist(osp.abspath(cfg.work_dir))
train_model(model, datasets, cfg, distributed=False, validate=True)

30个epoch后，最终精度如下图。

4. 评价模型

• 只有两类，所以top5_acc: 1.0000。在测试集上分错了1个，最终分类精度为0.9

from mmaction.apis import single_gpu_test
from mmaction.datasets import build_dataloader
from mmcv.parallel import MMDataParallel

# 构建测试数据集
dataset = build_dataset(cfg.data.test, dict(test_mode=True))
data_loader = build_dataloader(
        dataset,
        videos_per_gpu=1,    # batchsize设置为1
        workers_per_gpu=cfg.data.workers_per_gpu,
        dist=False,
        shuffle=False)
model = MMDataParallel(model, device_ids=[0])    # 初始化模型
outputs = single_gpu_test(model, data_loader)    # 得到所有模型的分类输出

# 在测试集上评价训练完成的识别模型
eval_config = cfg.evaluation
eval_config.pop('interval')
eval_res = dataset.evaluate(outputs, **eval_config)   # 比较输出值与真实值，计算准确率
for name, val in eval_res.items():
    print(f'{
      
      name}: {
      
      val:.04f}')

结果如下图

5. 时空动作识别

• 涉及到人的检测，所以还依赖MMDetection框架。时空动作模型需要先用MMDetection产生一些空间还有时间上的proposal，再用action模型进行分类。
• 在时空检测过程中，会自动下载一些软件依赖，模型。这里用下载的Fast-RCNN模型做一个人的检测（每帧都检测）。下载行为识别模型slowfast（仅有slow），用OmniSource的方法预训练，从而进行时空检测。
• 检测完之后，下载ffmpeg把对应的图像编码成一个视频，做成可视化的demo

5.1 安装MMDetection

# 克隆mmdetection项目
%cd ..
!git clone https://github.com/open-mmlab/mmdetection.git
%cd mmdetection

# 以可编辑的模式安装mmdet
!pip install -e .
%cd ../mmaction2

5.2 时空检测

# 上传视频至目录mmaction2下
!wget https://download.openmmlab.com/mmaction/dataset/sample/1j20qq1JyX4.mp4 -O demo/1j20qq1JyX4.mp4

# 完成时空检测
!python demo/demo_spatiotemporal_det.py --video demo/1j20qq1JyX4.mp4

（1）在时空检测的过程中，首先用下载的Fast-RCNN模型做一个人的检测（每帧都检测）
Fast-RCNN配置文件地址：Fast-RCNN
（2）然后下载行为识别模型slowfast（仅有slow），用OmniSource的方法预训练，完成时空检测。
SlowOnly（SlowFast）配置文件地址：SlowOnly
（3）最后检测完之后，下载ffmpeg把对应的图像编码成一个视频，做成可视化的demo。

5.3 查看经过时空动作识别的视频

# 查看视频
from IPython.display import HTML
from base64 import b64encode
mp4 = open('demo/stdet_demo.mp4','rb').read()
data_url = "data:video/mp4;base64," + b64encode(mp4).decode()
HTML("""
<video width=400 controls>
      <source src="%s" type="video/mp4">
</video>
""" % data_url)

时空动作识别原视频地址：时空动作识别原视频
时空动作识别后：

时空动作识别——stdet_demo

四、相关参考地址

1.相关课程 视频理解
2. MMAction安装步骤官方文档 MMAction2安装
3. 预训练模型TSN下载地址：TSN下载
4.kinetics400_tiny 下载地址：kinetics400_tiny数据集下载
5. MMAction2的demo.mp4地址 demo.mp4
6. Fast-RCNN配置文件地址：Fast-RCNN
7. SlowOnly（SlowFast）配置文件地址：SlowOnly
8. MMAction2的demo地址：demo