NTURGBD到Kinetics 400PYSKL兼容数据集完整使用教程【免费下载链接】pysklA toolbox for skeleton-based action recognition.项目地址: https://gitcode.com/gh_mirrors/py/pysklPYSKL是一个专注于基于骨骼数据的动作识别工具箱支持NTURGBD、Kinetics 400等多种主流数据集。本教程将详细介绍如何在PYSKL中准备和使用这些数据集帮助你快速上手骨骼动作识别项目。为什么选择PYSKL处理骨骼动作数据集PYSKL基于PyTorch构建提供了统一的接口来处理不同格式的骨骼动作数据。它支持多种先进算法如ST-GCN、PoseConv3D等并针对NTURGBD和Kinetics 400等数据集进行了深度优化。通过PYSKL你可以轻松实现从数据准备到模型训练的全流程操作。支持的主要数据集NTURGBD/NTURGBD 120包含大量3D骨骼数据是动作识别研究的基准数据集Kinetics 400大型视频数据集提供丰富的2D骨骼标注其他支持UCF101、HMDB51、FineGYM、Diving48等环境准备快速安装PYSKL首先需要克隆仓库并配置环境git clone https://gitcode.com/gh_mirrors/py/pyskl cd pyskl conda env create -f pyskl.yaml conda activate pyskl pip install -e .数据集准备全攻略NTURGBD数据集处理方法1使用预处理数据推荐新手PYSKL提供了预处理好的NTURGBD骨骼数据可直接下载使用2D骨骼ntu60_hrnet.pkl3D骨骼ntu60_3danno.pkl下载后将文件放置在$PYSKL/data/nturgbd/目录下即可。方法2从原始数据生成适合高级用户从NTURGBD官方仓库下载原始骨骼文件使用PYSKL提供的预处理脚本cd tools/data python ntu_preproc.py --data_path /path/to/nturgbd_skeletons脚本会生成ntu60_3danno.pkl和ntu120_3danno.pkl文件。Kinetics 400数据集处理Kinetics 400骨骼数据需特殊处理因为其数据量较大下载骨骼数据表k400_hrnet.pkl下载kpfiles包含实际骨骼数据Kinetics-400 skeleton data解压kpfiles到$PYSKL/data/k400/目录数据格式解析PYSKL使用统一的 pickle 格式存储骨骼数据每个文件包含split数据集划分信息annotations骨骼标注列表每个标注包含frame_dir视频标识符total_frames视频帧数label动作类别标签keypoint骨骼坐标数据形状为[M x T x V x C]keypoint_score骨骼关键点置信度仅2D骨骼对于Kinetics 400骨骼数据存储在单独的kpfiles中通过raw_file字段关联。可视化骨骼数据使用PYSKL提供的可视化工具可以直观查看骨骼数据# 运行Jupyter Notebook jupyter notebook demo/vis_skeleton.ipynb该工具支持2D和3D骨骼的交互式可视化帮助你理解数据结构和质量。训练与测试模型训练模型使用以下命令启动训练bash tools/dist_train.sh {config_name} {num_gpus}例如使用ST-GCN模型训练NTURGBD数据集bash tools/dist_train.sh configs/stgcn/stgcn_ntu60_xsub_3dkp/b.py 4测试模型测试预训练模型bash tools/dist_test.sh {config_name} {checkpoint} {num_gpus} --out {output_file} --eval top_k_accuracy常见问题解决数据路径配置确保数据集路径正确配置在配置文件中例如在configs/stgcn/stgcn_ntu60_xsub_3dkp/b.py中data_root data/nturgbd ann_file ntu60_3danno.pkl内存问题Kinetics 400数据集较大建议使用较大内存或调整批处理大小data dict( samples_per_gpu8, # 减少批处理大小 workers_per_gpu4, ... )总结通过本教程你已经了解了如何在PYSKL中处理NTURGBD和Kinetics 400等骨骼动作数据集。PYSKL提供的统一接口和预处理工具极大简化了数据准备流程让你可以专注于模型设计和实验。如果你需要更详细的算法配置可以参考各算法目录下的README文件例如ST-GCN: configs/stgcn/README.mdPoseConv3D: configs/posec3d/README.md开始你的骨骼动作识别之旅吧 【免费下载链接】pysklA toolbox for skeleton-based action recognition.项目地址: https://gitcode.com/gh_mirrors/py/pyskl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考