目录
我本来以为这件事情很简单，一点都不重要，直到我遇见了一个致命的错误，卡了有三周左右。
在此记录一下：裁剪后的视频时长，一定一定一定要一致！！！！！不一致的话必错无疑！！！！（除非你是大佬。）
4、检测choose_frames_all（YOLO第一次检测）
5、生成dense_proposals_train.pkl（用于产生行为标注）
0、当想要重新开始操作的时候，将choose_frames_all、choose_frames、frames、choose_frames_middle、rawframes文件夹重新生成
7、检测choose_frames_all（YOLO第一次检测）
8、生成dense_proposals_train.pkl（用于产生行为标注）
11、 通过deepsort检测图片（这一步开始，会生成很多文件）
15、生成rawframes文件夹（这个文件夹将frames文件夹的名称进行改动）
一、最终文件格式
二、在云端运行前需要准备的步骤
1.在windows上下载sh.exe
sh.exe可以在windows下使用一些简单的linux命令。
切换环境：
source activate py372.裁剪视频
IN_DATA_DIR="./videos"
OUT_DATA_DIR="./video_crop"
ffmpeg -ss 1030 -t 11 -y -i "${IN_DATA_DIR}/1.mp4" "${OUT_DATA_DIR}/1.mp4"
ffmpeg -ss 1340 -t 11 -y -i "${IN_DATA_DIR}/1.mp4" "${OUT_DATA_DIR}/2.mp4"
ffmpeg -ss 1850 -t 11 -y -i "${IN_DATA_DIR}/1.mp4" "${OUT_DATA_DIR}/3.mp4"裁剪得到的视频最好是长度一致的，并且以阿拉伯数字命名。
如全部视频都是1分钟或30秒。
3.下载文件到本地
YOLO权重
https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5s.pt
DeepSort权重
https://drive.google.com/drive/folders/1xhG0kRH1EX5B9_Iz8gQJb7UNnn_riXi6
这个下载不下来，自己想办法（(^_−)☆o(´^｀)o）
三、在windows上标注文件（避免在云端浪费时间）
1、抽取视频（填充Dataset / frames文件夹）
此时应当已经准备好了裁剪后的视频。
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset
bash cut_frames.sh
此时frames中应当有若干个文件夹，文件夹下是 若干个视频 所有的图片
2022-5-27
我本来以为这件事情很简单，一点都不重要，直到我遇见了一个致命的错误，卡了有三周左右。
在此记录一下：裁剪后的视频时长，一定一定一定要一致！！！！！不一致的话必错无疑！！！！（除非你是大佬。）
【非常重要，非常重要！！这里是本篇博客最重要的地方】
2、整合和缩减帧（填充choose_frames_all）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset
python choose_frames_all.py 15 015表示视频长度，0表示视频开始。我一般设置的长一点。
这个步骤是为了方便YOLOv5的检测过程；choose_frames_all中应当是视频的所有帧。
格式为1_000001.jpg
3、不整合的缩减（填充choose_frames）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset
python choose_frames.py 15 0
每隔30张取一张图片，图片名称分别为1,31,61……
这个步骤是为了后续方便标注行为。
choose_frames文件夹下有若干个子文件夹，子文件夹下是每隔30帧的抽样图片（不排除前两张和后两张）
4、检测choose_frames_all（YOLO第一次检测）
建议在运行此代码前把/home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/yolov5/runs文件夹删除，下面是原因。
rm -rf /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/yolov5/runs在yolovDeepsort/yolov5/runs/detect/exp中生成结果，运行次数多了的话，结果会在exp2、exp3中生成，后边一定要注意！！！
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort
python ./yolov5/detect.py --source ../Dataset/choose_frames_all/ --save-txt --save-conf
5、生成dense_proposals_train.pkl（用于产生行为标注）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork
python dense_proposals_train.py ../yolov5/runs/detect/exp/labels ./dense_proposals_train.pkl show
dense_proposals_train.pkl文件是由YOLO第一次检测出的结果生成的。
6、准备choose_frames_middle文件夹
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/
python choose_frames_middle.py
7、生成via标注文件
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork/
python dense_proposals_train_to_via.py ./dense_proposals_train.pkl ../../Dataset/choose_frames_middle/
文件有dense_proposals_train.pkl文件生成。
8、 去掉via默认值
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset
python chang_via_json.py
9、标注文件，并保存且命名。
使用 image_anchor.html 进行文件的标注
10、压缩choose_frames_middle文件夹
unzip choose_frames_middle.zipzip FileName.zip DirName ----------------压缩命令
这个是linux解压命令和压缩命令
压缩完之后，就可以将其复制到云端Datasets文件夹。
四、云端操作步骤
0、当想要重新开始操作的时候，将choose_frames_all、choose_frames、frames、choose_frames_middle、rawframes文件夹重新生成
rm -rf choose_frames choose_frames_all choose_frames_middle frames rawframes
mkdir choose_frames choose_frames_all choose_frames_middle frames rawframes
1.下载项目：
cd /home
git clone https://gitee.com/YFwinston/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset.git☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆
在这一步等待的同时可以把mmacton、mmcv等安装一下。
☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆
2、安装ffmpeg（如果已安装，直接跳过）
conda install x264 ffmpeg -c conda-forge -y如果速度奇慢，不要犹豫，直接重启或者新建实例
3、抽取视频（填充Dataset / frames文件夹）
这个步骤一定是在准备好video_crop文件夹下视频的基础上进行的。
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset
bash cut_frames.sh
此时frames中应当有若干个文件夹，文件夹下是视频所有的图片
4、整合和缩减帧（填充choose_frames_all）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset
python choose_frames_all.py 15 015表示视频长度，0表示视频开始。我一般设置的长一点。
这个步骤是为了方便YOLOv5的检测过程；choose_frames_all中应当是视频的所有帧。
格式为1_000001.jpg
5、不整合的缩减（填充choose_frames）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset
python choose_frames.py 15 0
每隔30张取一张图片，图片名称分别为1,31,61……
这个步骤是为了后续方便标注行为。
choose_frames文件夹下有若干个子文件夹，子文件夹下是每隔30帧的抽样图片（不排除前两张和后两张）
6、安装YOLO和deepsort
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort
pip install -r requirements.txt
pip install opencv-python-headless==4.1.2.30
wget https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5s.pt -O /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/yolov5/yolov5s.pt
mkdir -p /root/.config/Ultralytics/
wget https://ultralytics.com/assets/Arial.ttf -O /root/.config/Ultralytics/Arial.ttf
建议先现在yolov5s.pt，把它复制过去。
（如果复制了，直接运行下边代码。）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort
pip install -r requirements.txt
pip install opencv-python-headless==4.1.2.30
mkdir -p /root/.config/Ultralytics/
wget https://ultralytics.com/assets/Arial.ttf -O /root/.config/Ultralytics/Arial.ttf7、检测choose_frames_all（YOLO第一次检测）
建议在运行此代码前把/home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/yolov5/runs文件夹删除，下面是原因。
rm -rf /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/yolov5/runs在yolovDeepsort/yolov5/runs/detect/exp中生成结果，运行次数多了的话，结果会在exp2、exp3中生成，后边一定要注意！！！
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort
python ./yolov5/detect.py --source ../Dataset/choose_frames_all/ --save-txt --save-conf
8、生成dense_proposals_train.pkl（用于产生行为标注）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork
python dense_proposals_train.py ../yolov5/runs/detect/exp/labels ./dense_proposals_train.pkl show
dense_proposals_train.pkl文件是由YOLO第一次检测出的结果生成的。
9、准备choose_frames_middle文件夹
可以直接将第二步得到的压缩包复制到Datasets文件夹中。
然后进行解压缩。
unzip choose_frames_middle.zipzip FileName.zip DirName ----------------压缩命令
这个是linux解压命令和压缩命令
压缩完之后，就可以将其复制到云端Datasets文件夹。
10、提取标注完成的json文件
choose_frames_middle文件夹中的若干个文件中有1_finish.json文件，这一步内容就是从这个json文件中获取csv文件。
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/
python json_extract.py
会在/home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/下生成：train_without_personID.csv
这一步执行后，生成train_without_personId.csv文件
这一步很有可能会报错。
attributeNum1 = len(viaJson['attribute']['1']['options'])
#attributeNum2 = len(viaJson['attribute']['2']['options'])+attributeNum1
#attributeNum3 = len(viaJson['attribute']['3']['options'])+attributeNum2
#attributeNums = [0,attributeNum1,attributeNum2]
attributeNums = [0, attributeNum1]这里是对json文件进行解析，打开json文件可以看到
如果自己定义的行为种类有多种的话，代码就需要改进，
attributeNum的个数 == atrribute字典下内容个数
11、 通过deepsort检测图片（这一步开始，会生成很多文件）
首先在/home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork下执行(生成./dense_proposals_train_deepsort.pkl文件)
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork
python dense_proposals_train_deepsort.py ../yolov5/runs/detect/exp/labels ./dense_proposals_train_deepsort.pkl show
接下来使用deepsort关联人的id，这一步骤使用Datasets / frames中的图片进行检测。
执行这一步之前，要将之前下载好的ckpt.t7文件复制到./deep_sort_pytorch/deep_sort/deep/checkpoint/文件夹。（重要）
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/
python yolov5_to_deepsort.py --source /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/frames
这一步执行后，会生成train_personID.csv文件
12、融合actions与personID
这一步就是将train_personID.csv和train_without_personID.csv两个文件进行融合。
在Datasets文件夹下执行：
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/
python train_temp.py
最后结果：home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/train_temp.csv
这一步执行，生成train_temp.csv文件
13、修正ava_train_temp.csv
train_temp.csv中存在很多-1，需要进行修正
在Datasets下执行
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/
python train.py
这一步执行，生成Dataset/annotations/train.csv
这一步如果报错，需要对train.py进行修改。
14、生成其他标注文件
生成train_excluded_timestamps.csv
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations
touch train_excluded_timestamps.csv
生成included_timestamps.txt
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations
touch included_timestamps.txt
在included_timestamps.txt中写入
02
03
04
05
06
07
08
这里的内容与视频长度有关，如果长度是10秒的话，这里的内容就是去除前两秒和后两秒的数字。
生成action_list.pbtxt
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations
touch action_list.pbtxt
在其中写入行为，比如我定义的行为是：
item {
name: "boxing"
id: 1
}
item {
name: "hand_clapping"
id: 2
}
item {
name: "hand_waving"
id: 3
}
生成dense_proposals_train.pkl
cp /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork/dense_proposals_train.pkl /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations
val文件生成（这一步我没有理解，按照原博文写吧）
dense_proposals_val.pkl
val.csv
train_excluded_timestamps.csv
cp /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations/dense_proposals_train.pkl /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations/dense_proposals_val.pkl
cp /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations/train.csv /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations/val.csv
cp /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations/train_excluded_timestamps.csv /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations/val_excluded_timestamps.csv
15、生成rawframes文件夹（这个文件夹将frames文件夹的名称进行改动）
cp -r /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/frames/* /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/rawframes
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork/
python change_raw_frames.py
16、修正文件
dense_proposals_train
dense_proposals_val
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork
python change_dense_proposals_train.py
cd /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/yolovDeepsort/mywork
python change_dense_proposals_val.py
17、安装mmactions
cd /home
git clone https://gitee.com/YFwinston/mmaction2_YF.git
pip install mmcv-full==1.3.17 -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.8.0/index.html
pip install opencv-python-headless==4.1.2.30
pip install moviepy
cd mmaction2_YF
pip install -r requirements/build.txt
pip install -v -e .
mkdir -p ./data/ava
cd ..
git clone https://gitee.com/YFwinston/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .
cd ../mmaction2_YF
wget https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_2x_coco/faster_rcnn_r50_fpn_2x_coco_bbox_mAP-0.384_20200504_210434-a5d8aa15.pth -P ./Checkpionts/mmdetection/
wget https://download.openmmlab.com/mmaction/recognition/slowfast/slowfast_r50_8x8x1_256e_kinetics400_rgb/slowfast_r50_8x8x1_256e_kinetics400_rgb_20200716-73547d2b.pth -P ./Checkpionts/mmaction/
18、在/mmaction2_YF/configs/detection/ava/下创建 my_slowfast_kinetics_pretrained_r50_4x16x1_20e_ava_rgb.py
cd /home/mmaction2_YF/configs/detection/ava/
touch my_slowfast_kinetics_pretrained_r50_4x16x1_20e_ava_rgb.py
# model setting
model = dict(
type='FastRCNN',
backbone=dict(
type='ResNet3dSlowFast',
pretrained=None,
resample_rate=8,
speed_ratio=8,
channel_ratio=8,
slow_pathway=dict(
type='resnet3d',
depth=50,
pretrained=None,
lateral=True,
conv1_kernel=(1, 7, 7),
dilations=(1, 1, 1, 1),
conv1_stride_t=1,
pool1_stride_t=1,
inflate=(0, 0, 1, 1),
spatial_strides=(1, 2, 2, 1)),
fast_pathway=dict(
type='resnet3d',
depth=50,
pretrained=None,
lateral=False,
base_channels=8,
conv1_kernel=(5, 7, 7),
conv1_stride_t=1,
pool1_stride_t=1,
spatial_strides=(1, 2, 2, 1))),
roi_head=dict(
type='AVARoIHead',
bbox_roi_extractor=dict(
type='SingleRoIExtractor3D',
roi_layer_type='RoIAlign',
output_size=8,
with_temporal_pool=True),
bbox_head=dict(
type='BBoxHeadAVA',
in_channels=2304,
num_classes=81,
multilabel=True,
dropout_ratio=0.5)),
train_cfg=dict(
rcnn=dict(
assigner=dict(
type='MaxIoUAssignerAVA',
pos_iou_thr=0.9,
neg_iou_thr=0.9,
min_pos_iou=0.9),
sampler=dict(
type='RandomSampler',
num=32,
pos_fraction=1,
neg_pos_ub=-1,
add_gt_as_proposals=True),
pos_weight=1.0,
debug=False)),
test_cfg=dict(rcnn=dict(action_thr=0.002)))
dataset_type = 'AVADataset'
data_root = '/home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/rawframes'
anno_root = '/home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/annotations'
#ann_file_train = f'{anno_root}/ava_train_v2.1.csv'
ann_file_train = f'{anno_root}/train.csv'
#ann_file_val = f'{anno_root}/ava_val_v2.1.csv'
ann_file_val = f'{anno_root}/val.csv'
#exclude_file_train = f'{anno_root}/ava_train_excluded_timestamps_v2.1.csv'
#exclude_file_val = f'{anno_root}/ava_val_excluded_timestamps_v2.1.csv'
exclude_file_train = f'{anno_root}/train_excluded_timestamps.csv'
exclude_file_val = f'{anno_root}/val_excluded_timestamps.csv'
#label_file = f'{anno_root}/ava_action_list_v2.1_for_activitynet_2018.pbtxt'
label_file = f'{anno_root}/action_list.pbtxt'
proposal_file_train = (f'{anno_root}/dense_proposals_train.pkl')
proposal_file_val = f'{anno_root}/dense_proposals_val.pkl'
img_norm_cfg = dict(
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_bgr=False)
train_pipeline = [
dict(type='SampleAVAFrames', clip_len=32, frame_interval=2),
dict(type='RawFrameDecode'),
dict(type='RandomRescale', scale_range=(256, 320)),
dict(type='RandomCrop', size=256),
dict(type='Flip', flip_ratio=0.5),
dict(type='Normalize', **img_norm_cfg),
dict(type='FormatShape', input_format='NCTHW', collapse=True),
# Rename is needed to use mmdet detectors
dict(type='Rename', mapping=dict(imgs='img')),
dict(type='ToTensor', keys=['img', 'proposals', 'gt_bboxes', 'gt_labels']),
dict(
type='ToDataContainer',
fields=[
dict(key=['proposals', 'gt_bboxes', 'gt_labels'], stack=False)
]),
dict(
type='Collect',
keys=['img', 'proposals', 'gt_bboxes', 'gt_labels'],
meta_keys=['scores', 'entity_ids'])
]
# The testing is w/o. any cropping / flipping
val_pipeline = [
dict(type='SampleAVAFrames', clip_len=32, frame_interval=2),
dict(type='RawFrameDecode'),
dict(type='Resize', scale=(-1, 256)),
dict(type='Normalize', **img_norm_cfg),
dict(type='FormatShape', input_format='NCTHW', collapse=True),
# Rename is needed to use mmdet detectors
dict(type='Rename', mapping=dict(imgs='img')),
dict(type='ToTensor', keys=['img', 'proposals']),
dict(type='ToDataContainer', fields=[dict(key='proposals', stack=False)]),
dict(
type='Collect',
keys=['img', 'proposals'],
meta_keys=['scores', 'img_shape'],
nested=True)
]
data = dict(
#videos_per_gpu=9,
#workers_per_gpu=2,
videos_per_gpu=5,
workers_per_gpu=2,
val_dataloader=dict(videos_per_gpu=1),
test_dataloader=dict(videos_per_gpu=1),
train=dict(
type=dataset_type,
ann_file=ann_file_train,
exclude_file=exclude_file_train,
pipeline=train_pipeline,
label_file=label_file,
proposal_file=proposal_file_train,
person_det_score_thr=0.9,
data_prefix=data_root,
start_index=1,),
val=dict(
type=dataset_type,
ann_file=ann_file_val,
exclude_file=exclude_file_val,
pipeline=val_pipeline,
label_file=label_file,
proposal_file=proposal_file_val,
person_det_score_thr=0.9,
data_prefix=data_root,
start_index=1,))
data['test'] = data['val']
#optimizer = dict(type='SGD', lr=0.1125, momentum=0.9, weight_decay=0.00001)
optimizer = dict(type='SGD', lr=0.0125, momentum=0.9, weight_decay=0.00001)
# this lr is used for 8 gpus
optimizer_config = dict(grad_clip=dict(max_norm=40, norm_type=2))
# learning policy
lr_config = dict(
policy='step',
step=[10, 15],
warmup='linear',
warmup_by_epoch=True,
warmup_iters=5,
warmup_ratio=0.1)
#total_epochs = 20
total_epochs = 100
checkpoint_config = dict(interval=1)
workflow = [('train', 1)]
evaluation = dict(interval=1, save_best='[email protected]')
log_config = dict(
interval=20, hooks=[
dict(type='TextLoggerHook'),
])
dist_params = dict(backend='nccl')
log_level = 'INFO'
work_dir = ('./work_dirs/ava/'
'slowfast_kinetics_pretrained_r50_4x16x1_20e_ava_rgb')
load_from = ('https://download.openmmlab.com/mmaction/recognition/slowfast/'
'slowfast_r50_4x16x1_256e_kinetics400_rgb/'
'slowfast_r50_4x16x1_256e_kinetics400_rgb_20200704-bcde7ed7.pth')
resume_from = None
find_unused_parameters = False
19、训练（感动，(ಥ_ಥ) 终于到了这一步了）
cd /home/mmaction2_YF
python tools/train.py configs/detection/ava/my_slowfast_kinetics_pretrained_r50_4x16x1_20e_ava_rgb.py --validate
训练的文件生成在home/mmaction2_YF/work_dirs/ava/slowfast_kinetics_pretrained_r50_4x16x1_20e_ava_rgb中
很有可能会失败……
20、测试
创建新的label_map
cd /home/mmaction2_YF/tools/data/ava
touch label_map2.txt
内容：
1: stand
2: sit
这里的行为可以自己填写，自定义的几种，那么这里就填写几种。
然后运行
cd /home/mmaction2_YF
python demo/demo_spatiotemporal_det.py --config configs/detection/ava/my_slowfast_kinetics_pretrained_r50_4x16x1_20e_ava_rgb.py --checkpoint /home/mmaction2_YF/work_dirs/ava/slowfast_kinetics_pretrained_r50_4x16x1_20e_ava_rgb/[email protected]_epoch_10.pth --det-config demo/faster_rcnn_r50_fpn_2x_coco.py --det-checkpoint Checkpionts/mmdetection/faster_rcnn_r50_fpn_2x_coco_bbox_mAP-0.384_20200504_210434-a5d8aa15.pth --video /home/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset/Dataset/video_crop/1.mp4 --out-filename demo/det_1.mp4 --det-score-thr 0.5 --action-score-thr 0.5 --output-stepsize 4 --output-fps 6 --label-map tools/data/ava/label_map2.txt
[email protected]_epoch_10.pth是训练最优的权重，检测结果在demo/det_1.mp4，可以自己调整。
我也是正在调试，多会失败，一定要稳住心态，一步一步来……加油加油，一定可以毕业哒！！
错误总结：
1、出现
Traceback (most recent call last):
File "tools/train.py", line 201, in <module>
main()
File "tools/train.py", line 189, in main
train_model(
File "/root/home/mmaction2_YF/mmaction/apis/train.py", line 203, in train_model
runner.run(data_loaders, cfg.workflow, cfg.total_epochs, **runner_kwargs)
File "/root/miniconda3/lib/python3.8/site-packages/mmcv/runner/epoch_based_runner.py", line 127, in run
epoch_runner(data_loaders[i], **kwargs)
File "/root/miniconda3/lib/python3.8/site-packages/mmcv/runner/epoch_based_runner.py", line 47, in train
for i, data_batch in enumerate(self.data_loader):
File "/root/miniconda3/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 517, in __next__
data = self._next_data()
File "/root/miniconda3/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 557, in _next_data
data = self._dataset_fetcher.fetch(index) # may raise StopIteration
File "/root/miniconda3/lib/python3.8/site-packages/torch/utils/data/_utils/fetch.py", line 44, in fetch
data = [self.dataset[idx] for idx in possibly_batched_index]
File "/root/miniconda3/lib/python3.8/site-packages/torch/utils/data/_utils/fetch.py", line 44, in <listcomp>
data = [self.dataset[idx] for idx in possibly_batched_index]
File "/root/home/mmaction2_YF/mmaction/datasets/base.py", line 289, in __getitem__
return self.prepare_train_frames(idx)
File "/root/home/mmaction2_YF/mmaction/datasets/ava_dataset.py", line 294, in prepare_train_frames
assert proposals.shape[-1] in [4, 5]
AssertionError一般是数据加载的问题，一定要确保json_extract.py运行没有问题。
2、同时，当某张图片没有人出现的时候，不要自己画框标注，否则会出错。