หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

3D ResNets สำหรับการจดจำการกระทำ

อัปเดต (2020/4/56)

เราเผยแพร่บทความเกี่ยวกับ arXiv

ฮิโรคัตสึ คาตะโอกะ, เทนกะ วากามิยะ, เคนโช ฮาระ และ ยูทากะ ซาโต้
"ชุดข้อมูลขนาดใหญ่จะเพิ่มประสิทธิภาพ CNN 3D Spatiotemporal ต่อไปได้หรือไม่",
พิมพ์ล่วงหน้า arXiv, arXiv:2004.04968, 2020

เราอัปโหลดโมเดลที่ได้รับการฝึกล่วงหน้าที่อธิบายไว้ในเอกสารนี้ รวมถึง ResNet-50 ที่ได้รับการฝึกล่วงหน้าบนชุดข้อมูลที่รวมกับ Kinetics-700 และ Moments in Time

อัปเดต (2020/4/10)

เราอัปเดตสคริปต์ของเราอย่างมาก หากคุณต้องการใช้เวอร์ชันเก่าในการทำซ้ำกระดาษ CVPR2018 ของเรา คุณควรใช้สคริปต์ในสาขา CVPR2018

การอัปเดตนี้มีดังนี้:

  • การรีแฟคเตอร์ทั้งโครงการ
  • รองรับ PyTorch เวอร์ชันใหม่กว่า
  • สนับสนุนการจัดอบรมแบบกระจาย
  • สนับสนุนการฝึกอบรมและการทดสอบชุดข้อมูล Moments in Time
  • การเพิ่มโมเดล R(2+1)D
  • การอัปโหลดโมเดล 3D ResNet ที่ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูล Kinetics-700, Moments in Time และ STAIR-Actions

สรุป

นี่คือรหัส PyTorch สำหรับเอกสารต่อไปนี้:

ฮิโรคัตสึ คาตะโอกะ, เทนกะ วากามิยะ, เคนโช ฮาระ และ ยูทากะ ซาโต้
"ชุดข้อมูลขนาดใหญ่จะเพิ่มประสิทธิภาพ CNN 3D Spatiotemporal ต่อไปได้หรือไม่",
พิมพ์ล่วงหน้า arXiv, arXiv:2004.04968, 2020

เคนโช ฮาระ, ฮิโรคัตสึ คาตาโอกะ และ ยูทากะ ซาโต
"สู่แนวทางปฏิบัติที่ดีในการรับรู้การกระทำด้วย Convolutions Spatiotemporal 3D",
การดำเนินการของการประชุมนานาชาติว่าด้วยการจดจำรูปแบบ หน้า 2516-2521 2018

เคนโช ฮาระ, ฮิโรคัตสึ คาตาโอกะ และ ยูทากะ ซาโต
"Spatiotemporal 3D CNN สามารถย้อนรอยประวัติของ 2D CNN และ ImageNet ได้หรือไม่",
การดำเนินการของการประชุม IEEE ว่าด้วยการมองเห็นคอมพิวเตอร์และการจดจำรูปแบบ, หน้า 6546-6555, 2018

เคนโช ฮาระ, ฮิโรคัตสึ คาตาโอกะ และ ยูทากะ ซาโต
"การเรียนรู้คุณลักษณะ Spatio-Temporal ด้วยเครือข่าย 3D Residual สำหรับการจดจำการกระทำ",
การดำเนินการของการประชุมเชิงปฏิบัติการ ICCV เรื่องการรับรู้การกระทำ ท่าทาง และอารมณ์ ปี 2017

รหัสนี้ประกอบด้วยการฝึกอบรม การปรับแต่งอย่างละเอียด และการทดสอบเกี่ยวกับ Kinetics, Moments in Time, ActivityNet, UCF-101 และ HMDB-51

การอ้างอิง

หากคุณใช้รหัสนี้หรือโมเดลที่ได้รับการฝึกอบรมล่วงหน้า โปรดอ้างอิงสิ่งต่อไปนี้: 

 @inproceedings { hara3dcnns ,
  author = { Kensho Hara and Hirokatsu Kataoka and Yutaka Satoh } ,
  title = { Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet? } ,
  booktitle = { Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) } ,
  pages = { 6546--6555 } ,
  year = { 2018 } ,
}

โมเดลที่ได้รับการฝึกอบรมล่วงหน้า

มีโมเดลที่ผ่านการฝึกอบรมล่วงหน้าแล้วที่นี่
โมเดลทั้งหมดได้รับการฝึกฝนเกี่ยวกับ Kinetics-700 ( K ), Moments in Time ( M ), STAIR-Actions ( S ) หรือชุดข้อมูลที่ผสานเข้าด้วยกัน ( KM , KS , MS , KMS )
หากคุณต้องการปรับแต่งโมเดลบนชุดข้อมูลของคุณ คุณควรระบุตัวเลือกต่อไปนี้ 

 r3d18_K_200ep.pth: --model resnet --model_depth 18 --n_pretrain_classes 700
r3d18_KM_200ep.pth: --model resnet --model_depth 18 --n_pretrain_classes 1039
r3d34_K_200ep.pth: --model resnet --model_depth 34 --n_pretrain_classes 700
r3d34_KM_200ep.pth: --model resnet --model_depth 34 --n_pretrain_classes 1039
r3d50_K_200ep.pth: --model resnet --model_depth 50 --n_pretrain_classes 700
r3d50_KM_200ep.pth: --model resnet --model_depth 50 --n_pretrain_classes 1039
r3d50_KMS_200ep.pth: --model resnet --model_depth 50 --n_pretrain_classes 1139
r3d50_KS_200ep.pth: --model resnet --model_depth 50 --n_pretrain_classes 800
r3d50_M_200ep.pth: --model resnet --model_depth 50 --n_pretrain_classes 339
r3d50_MS_200ep.pth: --model resnet --model_depth 50 --n_pretrain_classes 439
r3d50_S_200ep.pth: --model resnet --model_depth 50 --n_pretrain_classes 100
r3d101_K_200ep.pth: --model resnet --model_depth 101 --n_pretrain_classes 700
r3d101_KM_200ep.pth: --model resnet --model_depth 101 --n_pretrain_classes 1039
r3d152_K_200ep.pth: --model resnet --model_depth 152 --n_pretrain_classes 700
r3d152_KM_200ep.pth: --model resnet --model_depth 152 --n_pretrain_classes 1039
r3d200_K_200ep.pth: --model resnet --model_depth 200 --n_pretrain_classes 700
r3d200_KM_200ep.pth: --model resnet --model_depth 200 --n_pretrain_classes 1039

รุ่นเก่าที่ฝึกไว้ล่วงหน้ายังมีอยู่ที่นี่
อย่างไรก็ตาม จำเป็นต้องมีการปรับเปลี่ยนบางอย่างเพื่อใช้โมเดลเก่าที่ได้รับการฝึกล่วงหน้าในสคริปต์ปัจจุบัน

ความต้องการ

  • PyTorch (ต้องใช้เวอร์ชัน 0.4+) 
conda install pytorch torchvision cudatoolkit=10.1 -c soumith

  • FFmpeg, FFprobe

  • หลาม 3

การตระเตรียม

กิจกรรมเน็ต

  • ดาวน์โหลดวิดีโอโดยใช้โปรแกรมรวบรวมข้อมูลอย่างเป็นทางการ
  • แปลงจากไฟล์ avi เป็น jpg โดยใช้ util_scripts/generate_video_jpgs.py 
python -m util_scripts.generate_video_jpgs mp4_video_dir_path jpg_video_dir_path activitynet
  • เพิ่มข้อมูล fps ลงในไฟล์ json util_scripts/add_fps_into_activitynet_json.py 
python -m util_scripts.add_fps_into_activitynet_json mp4_video_dir_path json_file_path

จลนศาสตร์

  • ดาวน์โหลดวิดีโอโดยใช้โปรแกรมรวบรวมข้อมูลอย่างเป็นทางการ
    • ค้นหาชุดทดสอบใน video_directory/test
  • แปลงจากไฟล์ avi เป็น jpg โดยใช้ util_scripts/generate_video_jpgs.py 
python -m util_scripts.generate_video_jpgs mp4_video_dir_path jpg_video_dir_path kinetics
  • สร้างไฟล์คำอธิบายประกอบในรูปแบบ json คล้ายกับ ActivityNet โดยใช้ util_scripts/kinetics_json.py
    • ไฟล์ CSV (kinetics_{train, val, test}.csv) จะรวมอยู่ในโปรแกรมรวบรวมข้อมูล 
python -m util_scripts.kinetics_json csv_dir_path 700 jpg_video_dir_path jpg dst_json_path

ยูซีเอฟ-101

  • ดาวน์โหลดวิดีโอและฝึก/ทดสอบการแยกส่วนได้ที่นี่
  • แปลงจากไฟล์ avi เป็น jpg โดยใช้ util_scripts/generate_video_jpgs.py 
python -m util_scripts.generate_video_jpgs avi_video_dir_path jpg_video_dir_path ucf101
  • สร้างไฟล์คำอธิบายประกอบในรูปแบบ json คล้ายกับ ActivityNet โดยใช้ util_scripts/ucf101_json.py
    • annotation_dir_path รวมถึง classInd.txt, trainlist0{1, 2, 3}.txt, testlist0{1, 2, 3}.txt 
python -m util_scripts.ucf101_json annotation_dir_path jpg_video_dir_path dst_json_path

เอชเอ็มดีบี-51

  • ดาวน์โหลดวิดีโอและฝึก/แยกการทดสอบได้ที่นี่
  • แปลงจากไฟล์ avi เป็น jpg โดยใช้ util_scripts/generate_video_jpgs.py 
python -m util_scripts.generate_video_jpgs avi_video_dir_path jpg_video_dir_path hmdb51
  • สร้างไฟล์คำอธิบายประกอบในรูปแบบ json คล้ายกับ ActivityNet โดยใช้ util_scripts/hmdb51_json.py
    • annotation_dir_path รวมถึง brush_hair_test_split1.txt, ... 
python -m util_scripts.hmdb51_json annotation_dir_path jpg_video_dir_path dst_json_path

กำลังรันโค้ด

สมมติว่าโครงสร้างของไดเร็กทอรีข้อมูลเป็นดังนี้: 

 ~/
  data/
    kinetics_videos/
      jpg/
        .../ (directories of class names)
          .../ (directories of video names)
            ... (jpg files)
    results/
      save_100.pth
    kinetics.json

ยืนยันตัวเลือกทั้งหมด 

python main.py -h

ฝึกฝน ResNets-50 บนชุดข้อมูล Kinetics-700 (700 คลาส) ด้วยเธรด CPU 4 ตัว (สำหรับการโหลดข้อมูล)
ขนาดชุดคือ 128
บันทึกโมเดลทุกๆ 5 ยุค GPU ทั้งหมดใช้สำหรับการฝึกอบรม หากคุณต้องการส่วนหนึ่งของ GPU ให้ใช้ CUDA_VISIBLE_DEVICES=... 

python main.py --root_path ~ /data --video_path kinetics_videos/jpg --annotation_path kinetics.json 
--result_path results --dataset kinetics --model resnet 
--model_depth 50 --n_classes 700 --batch_size 128 --n_threads 4 --checkpoint 5

ฝึกอบรมต่อจากยุค 101 (โหลด ~/data/results/save_100.pth แล้ว) 

python main.py --root_path ~ /data --video_path kinetics_videos/jpg --annotation_path kinetics.json 
--result_path results --dataset kinetics --resume_path results/save_100.pth 
--model_depth 50 --n_classes 700 --batch_size 128 --n_threads 4 --checkpoint 5

คำนวณความน่าจะเป็นระดับ 5 อันดับแรกของแต่ละวิดีโอโดยใช้โมเดลที่ผ่านการฝึกอบรม (~/data/results/save_200.pth.)
โปรดทราบว่า inference_batch_size ควรมีขนาดเล็กเนื่องจากขนาดแบตช์จริงคำนวณโดย inference_batch_size * (n_video_frames / inference_stride) 

python main.py --root_path ~ /data --video_path kinetics_videos/jpg --annotation_path kinetics.json 
--result_path results --dataset kinetics --resume_path results/save_200.pth 
--model_depth 50 --n_classes 700 --n_threads 4 --no_train --no_val --inference --output_topk 5 --inference_batch_size 1

ประเมินความแม่นยำของวิดีโอ 1 อันดับแรกของผลลัพธ์การจดจำ (~/data/results/val.json) 

python -m util_scripts.eval_accuracy ~ /data/kinetics.json ~ /data/results/val.json --subset val -k 1 --ignore

ปรับแต่งเลเยอร์ fc ของโมเดลที่ได้รับการฝึกล่วงหน้า (~/data/models/resnet-50-kinetics.pth) บน UCF-101 

python main.py --root_path ~ /data --video_path ucf101_videos/jpg --annotation_path ucf101_01.json 
--result_path results --dataset ucf101 --n_classes 101 --n_pretrain_classes 700 
--pretrain_path models/resnet-50-kinetics.pth --ft_begin_module fc 
--model resnet --model_depth 50 --batch_size 128 --n_threads 4 --checkpoint 5
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด