一 . 数据集的制作
从github下载deeplabcut
git clone https://github.com/2314453446/DeepLabCut.git
然后cd 到该目录下
激活ipython
Lenovo-Legion-5-15IMH05H:~/project/DeepLabCut$ ipython
In [1]: ]import deeplabcut as dlc
创建新项目
dlc.create_new_project('WeedDetect','zzw',['/home/tuolong/Videos/weed.mp4'],copyvideos=True)
设置配置文件
config_path = '/home/tuolong/project/DeepLabCut/WeedDetect-zzw-2022-09-30/config.yaml'
根据设定的配置文件从视频中截取帧
dlc.extract_frames(config_path)
标定数据集
dlc.label_frames(config_path)
检查数据集标定效果
dlc.check_labels(config_path)
二.数据集训练
创建训练数据集(这一步要在你训练的地方执行 本地/云端)
# imguag 代表数据增广方式
dlc.create_training_dataset(config_path,net_type='resnet_50', augmenter_type='imgaug')
查看训练和设定训练参数
训练模型
dlc.train_network(config_path,shuffle=1,displayiters=100,saveiters=500,max_snapshots_to_keep=5)
模型评估(评估上一步所保存的snapshot)
这里僅演示操作流程,不是最优的评估方式
设定要评估的snapshot(我这里选择全部)
dlc.evaluate_network(config_path,plotting=True)
(可选环节)如果觉得模型训练效果不佳,可以本地再标数据,然后再训练,直至选出最优模型
三. 模型测试(视频分析)
在这里可以将未标注的 novel video 放入至训练好的网络中,让网络自动为我们标注数据
dlc.analyze_videos
在评估完成后从配置文件设定最优的模型进行测试
dlc.analyze_videos(config_path,videos='/home/tuolong/project/DeepLabCut/WeedDetect-zzw-2022-09-30/videos/weed.mp4',videotype='mp4',save_as_csv=True,dynamic=(True,0.5,10))
(可选)视频分析的其他功能
1滤波器
dlc.filterprediction(config_path,video_path)
2画出被分析的视频轨迹
dlc.plot_trajectories(config_path,video_path,videotype=VideoType,filtered=True)文章来源:https://www.toymoban.com/news/detail-448863.html
制作被标注的视频
video_path = '/home/tuolong/project/DeepLabCut/WeedDetect-zzw-2022-09-30/videos/weed.mp4'
dlc.create_labeled_video(config_path,videos=video_path,videotype='mp4',draw_skeleton=True,save_frames=True,trailpoints=0)
文章来源地址https://www.toymoban.com/news/detail-448863.html
到了这里,关于deeplabcut 简明教程(训练个人数据集)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!