TSN

1.如何提帧

1.1数据集准备

下载网址：http://crcv.ucf.edu/data/UCF101/UCF101.rar

下载成功后的UCF文件夹如下所示：
该文件夹下是各种动作的视频文件，共有101种类别

下图是UCF101在进行训练和测试时，分割的依据文件

1.2源码准备

在实验过程中，我们需要使用tsn-pytorch和mmaction的一些代码文件，所以我们提前从Git上获得存储在本地。

下载mmaction:

git clone --recursive https://github.com/open-mmlab/mmaction.git

下载tsn-pytorch:

git clone --recursive https://github.com/yjxiong/tsn-pytorch

1.3提帧

在我们下载好的UCF101数据集中，视频大多是长时间的，很难对其进行动作识别，所以需要进行提帧操作。
首先在mmaction的data/ucf101中创建rawframes、videos、annotations文件夹。

rawframes：视频提帧后存放的文件目录

videos：拷贝ucf101数据集中的101个文件目录，放置其中

annotations：ucf101之后进行分割训练集、测试集的依据文件

然后在mmaction/data_tools/build_rawframes.py的同级目录下进行视频提帧的代码文件，输入命令如下所示：

python build_rawframes.py ../data/ucf101/videos ../data/ucf101/rawframes/ --level 2  --ext avi

生成的文件目录形式如下所示：

在这里插入图片描述

运行完成后，将每一个视频的每一帧提取出来，放在特定名称的文件夹中。

1.4生成file_list

在tsn-pytorch的readme文件中可以看到，训练过程中需要<ucf101_rgb_train_list>和<ucf101_rgb_val_list>，所以生成这两个list文件是必需的。使用mmaction/data_tools/buid_file_list.py即可对ucf101生成的帧进行训练集和测试集的划分。输入命令如下所示：

python data_tools/build_file_list.py ucf101 data/ucf101/rawframes/ --level 2 --format rawframes --shuffle

也可在mmaction/data_tools/ucf101/中输入

bash generate_filelist.sh

生成的filelist在data/ucf101目录下，形式如下：

file_list的内容如下所示：

file_list中有三列，第一列代表文件的地址，第二列代表视频的帧数，第三列代表视频的类别。这里仅仅使用ucf101的3个文件夹，所以类别只有0 1 2。

2.如何feed帧出特征

代码修改部分参考 https://blog.csdn.net/qq_39862223/article/details/108461526

2.1IPO

下图展示了，TSN如何将ucf101数据集提出的帧进行分类的过程，标明了每一个阶段的tensor大小

3.如何save，以便load

定义的保存模型以及参数信息的方法，该方法会在进行模型训练的时候得到调用。

def save_checkpoint(state, is_best, filename='checkpoint.pth.tar'):  filename = '_'.join((args.snapshot_pref, args.modality.lower(), filename)) # 用于保存模型以及参数信息的路径以及文件名torch.save(state, filename)  # 将模型以上述名称保存在该路径下if is_best: # 如果准确率得到提高就进行模型的被备份best_name = '_'.join((args.snapshot_pref, args.modality.lower(), 'model_best.pth.tar')) # 备份路径以及文件名称shutil.copyfile(filename, best_name) # 进行文件复制

对该方法的调用，通过该方法保存模型，准确率，模型参数并判断是否进行模型复制

best_prec1 = max(prec1, best_prec1)save_checkpoint({'epoch': epoch + 1,'arch': args.arch,'state_dict': model.state_dict(),'best_prec1': best_prec1,}, is_best)

加载保存的参数

    if args.resume:  # args.resume是保存模型的路径if os.path.isfile(args.resume): # 判断该绝对路径下是否是文件，也就是保存模型方法中的绝对路径print(("=> loading checkpoint '{}'".format(args.resume)))checkpoint = torch.load(args.resume) # 进行加载checkpoint 字典的形式，里面包括epoch，arch，state_dict，best_prec1 args.start_epoch = checkpoint['epoch']best_prec1 = checkpoint['best_prec1']model.load_state_dict(checkpoint['state_dict'])print(("=> loaded checkpoint '{}' (epoch {})".format(args.evaluate, checkpoint['epoch'])))else:print(("=> no checkpoint found at '{}'".format(args.resume)))