C3D代码总结（Pytorch）
github：https://github.com/Niki173/C3D
- 介绍
- 数据介绍
- 文件介绍
- 具体操作流程
- 运行结果
介绍：
本次C3D模型用的是pytorch框架，我们在UCF101和HMDB51数据集上训练这些模型，本次实验以UCF101为实验对象。
数据介绍
UCF101是从YouTube收集的具有101个操作类别的逼真动作视频的动作识别数据集。此数据集是UCF50数据集的扩展，具有50个操作类别。凭借来自101个动作类别的13320个视频，UCF101在动作方面提供了最大的多样性，并且在相机运动，物体外观和姿势，物体比例，视点，杂乱的背景，照明条件等方面存在大的变化，它是最多的迄今为止具有挑战性的数据 由于大多数可用的行动识别数据集都不现实并且由演员进行，UCF101旨在通过学习和探索新的现实行动类别来鼓励进一步研究行动识别。
101个动作类别中的视频分为25组，每组可包含4-7个动作视频。来自同一组的视频可能共享一些共同的功能，例如类似的背景，类似的观点等。
文件介绍：
1.aesst (demo展示)
2.data(把下载好的UCF101数据集放在这里，输出的路径也可以放在这里)
UCF101（数据集）
ucf101（分成train,val,test）trainvaltest
3.dataloaders(数据载入，视频和图片与标签一一对应)
ucf_labels(数据集标签)
...
4.models(把下载好的预训练权重放这个位置)
5.network(网络模型)
C3D_model
...
6.run(保存训练出来的权重文件)
7.inference(预测文件)
8.mypath(路径文件)
9.train(训练文件)
**UCF101数据集下载地址：**https://www.crcv.ucf.edu/data/UCF101/UCF101.rar
从百度云下载预训练的模型，当前仅支持C3D的预训练模型。
链接：https://pan.baidu.com/s/1iEkK5aV51UvG1Ul5kgUkHw ，提取码：ch8y
如果不想训练，单纯想拿来检测也可以，下载测试权重文件，然后找到inference文件把相对于的路径改成你自己设置的路径，就可以实现。
链接：https://pan.baidu.com/s/1DC_tF2lyVlvhNV9htunk4g ，提取码：3v4h
具体操作流程：
1.下载好所需文件。（UCF101数据集，预训练模型，测试所用的权重（可选）），前面两个一定要下载，第三个可下载也可以不下载。
2.修改相对的路径
打开mypath.py文件
下面提个醒，输出文件夹它是自动生成的，千万不要自己去创建一个了文件.不然会出现不必要的错误。（小白的我就是一开始就错在这了。）
3.微调参数
train.py文件的超参数。
我想说一下resume_epoch和snapshot。snapshot=10，是指训练10个epoch保存一次权重，所以假设你训练到第9个epoch挂了，但是你想从第9个epoch开始训练，这是不可以的，因为你之前没有保存权重。
4.测试文件（可选）
经过以上更改，一般都不会出现问题，可能大多数是环境配置的问题，具体问题请自己谷歌或者百度，毕竟不同的环境搭配出错的问题也会不一样。
运行结果：
正常情况就会如下图
这一步运行时间比较久，大家请耐心等待
这是我训练20epochs的情况，训练集准确率为99%，验证集96%，测试集为95%。要是需要准确度更高，可以自己微调一下参数就可以了。
拿个视频检测一下
可以看到检测准确率已经达到了99%，这是视频动态检测，所以它的参数会轻微的变化，但是不知道这里怎么上传动图，所以只能以图片展示了。
非常感谢以下博客对我的启发：https://blog.csdn.net/better_boy/article/details/108801411
以上均为原创，请勿转载，如需转载，请注明出处
