HRNet提取骨架特征点+ ST-GCN训练自己的数据集代码实践问题记录

72 阅读 0 评论 48 点赞

我是靠谱客的博主温暖枕头，最近开发中收集的这篇文章主要介绍HRNet提取骨架特征点+ ST-GCN训练自己的数据集代码实践问题记录，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

软硬件环境：
python 3.6.5
Ubuntu 18.04 LTS
Pytorch 1.1.0
NVIDIA TITAN XP 8GB

项目链接https://github.com/open-mmlab/mmskeleton

前提

HRNet的准备工作可见我的上一条博文。

准备工作

先准备数据集
准备环境，包含两步：
第一步：进入文件夹./deprecated/origin_stgcn_repo/ ，打开requirements.txt看下需要满足的环境条件,conda list:

我不直接安装requirements.txt中的需求原因是，怕修改了我的torch版本，导致和cuda版本不匹配，这样我又要重新降版本，很麻烦，所我采用对比的方法，对比自己已经安装的包和requirements.txt上需要安装的包。
对比后，发现缺少：

所以pip install -r requirements.txt进行安装：

第二步：

cd deprecated/origin_stgcn_repo/torchlight
python setup.py install
cd ..

在这里插入图片描述
到这一步，环境就基本搭建好了。

特征点

这里我没有使用ST-GCN提取特征点的Openpose，而是使用了HRNet来提取特征点。
OpenPose提取18个点，HRNet提取17个点，所以有很多需要改的地方。

数据集准备

这里我是用了一个比较老的数据集，training_lib_KTH.zip。
这个数据集包含六种行为。
在这里插入图片描述
我对数据集的简单处理是，按照行为对所有视频进行分类，把同一种行为放到一个文件夹中：

训练过程

准备工作：
i）修改train.yaml，

work_dir: ./work_dir/recognition/kinetics_skeleton/ST_GCN  #此处根据自己需要来改

# feeder
feeder: feeder.feeder.Feeder
train_feeder_args:
  random_choose: True
  random_move: True
  window_size: 150
  data_path: ./data/Kinetics/kinetics-skeleton/train_data.npy
  label_path: ./data/Kinetics/kinetics-skeleton/train_label.pkl
test_feeder_args:
  data_path: ./data/Kinetics/kinetics-skeleton/val_data.npy
  label_path: ./data/Kinetics/kinetics-skeleton/val_label.pkl

# model
model: net.st_gcn.Model
model_args:
  in_channels: 3
  num_class: 400  #修改
  edge_importance_weighting: True
  graph_args:
    layout: "openpose"
    strategy: "spatial"

# training
device: [0, 1, 2, 3]  #视情况修改
batch_size: 256 #视情况修改
test_batch_size: 256 #视情况修改

#optim
base_lr: 0.1 #视情况修改
step: [20, 30, 40, 50] #视情况修改
num_epoch: 50 #视情况修改

上面标注了我自己修改的地方。
ii) deprecated/origin_stgcn_repo/resource/kinetics_skeleton/label_name.txt 将里面的行为改成自己要训练的行为
iii）我修改了data_processing.py,demo_old.py，video.py 以及hrnet_process.py （前面已经提及，我使用HRNet提取特征点，所以需要修改很多地方）
训练过程：
i) 初次建立数据集，输出json文件（具体根据修改的data_processing.py来命令）
ii) 训练代码：

python main.py recognition -c config/st_gcn/<dataset>/train.yaml [--work_dir <work folder>]

这里我用的自己的数据集，所以config/st_gcn/<dataset>/train.yaml 部分直接改成train.yaml路径即可，后面中括号可以忽略。在训练过程中遇到了很多问题，主要的报错记录在下：

报错1：
ModuleNotFoundError: No module named 'skvideo'
解决办法：pip install --user scikit-video

报错2：AttributeError: module 'yaml' has no attribute 'FullLoader'
解决办法：pip install --ignore-installed PyYAML
报错3：ERROR: anaconda-client 1.6.14 has requirement python-dateutil>=2.6.1, but you'll have python-dateutil 2.1 which is incompatible.
解决办法：pip install python-dateutil==2.6.1
报错4：IndexError: index 300 is out of bounds for axis 1 with size 300
解决办法：说明视频帧数大于300了，先查看一下json文件每一个视频的frame_index，确认后，处理一下data_processing的逻辑，确定怎么进行切分。