目录

• 利用自己数据创建一个项目
• 提取训练帧
•  标记训练帧中的关键部位
•  检查标签
•   创建一个训练集
•   训练网络
•   评估网络
•   分析一个新的视频
•   创建一个自动标记的视频
•    绘制轨迹

（以下步骤为可选步骤）

• 提取离群帧
• 修正标签
• 合并数据集
• 训练网络

利用自己数据创建一个项目

首先Test-wumingna-DLC初始文件目录如下：此文件夹下只有一个文件夹videos，在videos 文件夹下只有一个待训练的视频文件。

激活环境，引用相关库

#激活环境
source activate deeplabcut-py36
#进入pathon交互环境
python
#引用相关库
import deeplabcut
import tensorflow as tf
import os
from libpath import Path

创建一个新的项目

# 自定义项目名称
task = 'Test-wumingna-DLC'
#自定义实验者
exprimenter = 'wumingna'
#视频路径
video =['/home/wumingna/Test-wumingna-DLC/videos/mytest.mp4'] 
#创建新项目  
deeplabcut.create_new_project(task,experimenter,video,working_directory='/home/wumingna/Test-wumingna-DLC/videos',copy_videos=True)

文件结构如下：

提取训练帧

成功的特征检测器的关键点是选择不同的帧，这是典型的标记行为。此功能选择从特定视频（或文件夹）均匀采样的N帧（algo =='uniform'）。 注意：如果行为稀疏分布（考虑使用kmeans）和/或手动选择帧等。同时确保从不同（行为）会话和不同动物中获取选择数据（如果这些会有很大差异）（以训练不变特征检测器）。单个图像不应太大（即<850 x 850像素）。 虽然这也可以在以后处理，但建议裁剪框架，尽可能地去除框架中不必要的部分。始终检查裁剪的输出。 如果您对结果感到满意，请继续进行标记。

#设置文件配置变量，以便下面使用
path_config_file=deeplabcut.create_new_project(task,experimenter,video,copy_videos=True) 
#提取训练帧的时候有两种选择，根据需要选择不同的方式
deeplabcut.extract_frames(config_path,‘automatic/manual’,‘uniform/kmeans’,crop=True/False, userfeedback=True/False)
#（1）自动提取训练帧
deeplabcut.extract_frames(path_config_file)  #自动提取
#（1）手动提取训练帧，在“Do you want to crop the frames? ” 选择 “No”，否则无法捕获图像。
deeplabcut.extract_frames(path_config_file,'manual') #手动提取

时间上均匀分布的方式(uniform)、基于视觉外观的聚类(kmeans)或手动选择的方式从视频中选择帧。uniform最适合于在整个视频中以时间上独立的方式改变姿态的行为。然而，有些行为可能是稀疏的，比如在伸手和拉手非常快的情况下，在这种情况下，如果用户选择使用kmeans来对帧进行聚类，那么应该使用视觉信息来选择不同的帧，然后这个函数对视频进行下采样并对帧进行聚类。然后选择来自不同集群的帧。这个过程确保框架看起来不同，并且通常是可取的。然而，在大的和长的视频中，由于计算复杂性，这段代码很慢。

执行自动提取命令后，会跳出一个画面窗口，输入 yes 从视频中随机提取帧。如果是多个视频，将会分别存放在以视频文件名命名的多个文件中。

文件结构如下（都是一些照片）

标记训练帧中的关键部位

deeplabcut.label_frames(path_config_file)

左键移动，右键标记。标记完成后，点击 “Save”。之后会在 labeled-data/mytest/文件下生成 CollectedData_wumingna.csv, CollectedData_wumingna.h5。注意：“select a bodypart to label” 由config.yaml 文件中 bodyparts 中的参数决定。可以自行修改标记个数。

检查标签

deeplabcut.check_labels(path_config_file)

文件目录如下，新增一个test_labeled文件夹来保存被标记的图片。（labeled-data 下的两个文件夹my test 和mytest_labeled中保存的图像是一致的，唯一的区别在于是否被标记）

创建数据集

deeplabcut.create_training_dataset(path_config_file)
# 可以通过可选参数  num_shuffles = n 创建多个训练子集(默认为1），可以改变参数选择不同的网络，默认是Resnet-50
# deeplabcut.create_training_dataset(path_config_file, num_shuffles = n,resnet_101)

函数将打乱标记的数据集，把它分割去创建一个训练集和一个测试集。目录training-datasets的子目录‘iteration-#’存储着数据集和元信息, #代表着着迭代变量的值，它存储在项目配置文件。如果你希望对DeepLabCut的性能进行基准测试，可以通过在num_shuffles参数中指定一个整数值来创建多个训练子集。

每次迭代创建训练数据集都将创建一个.mat文件和一个一个.pickle文件，.mat文件包含了图像的地址和目标姿势，.pickle文件包含了关于训练数据集的元信息。这个步骤还为模型创建了一个目录，包括dlc模型中称为test和train的两个子目录，每个子目录都有一个名为pose_cfg.yaml的配置文件。如果需要，在训练开始之间，你可以编辑pose_cfg文件。

执行之后，文件结构如下：

开始训练

deeplabcut.train_network(path_config_file，shuffle=1，displayiters=300,saveiters=10,)

# 此函数有很多可选参数，学会基本操作后，可以慢慢学习其他参数的使用。

#完整函数如下：
train_network(config_path,shuffle=1,trainingsetindex=0,gputouse=
None,max_snapshots_to_keep=5, displayiters=1000,saveiters=20000,
maxiters=200000)

训练30分钟左右，ctrl+c 停止训练。

新增文件结构如下：

评估网络

 #将plotting设置为True将手工和预测的标签绘制在出所有的测试集和训练集上
deeplabcut.evaluate_network(config_path, plotting=True)

新增文件结构：

分析一个新的视频（这里依旧分析原视频）

deeplabcut.analyze_videos(config_path,video,videotype=‘.mp4’)

标签存储在一个多索引的panda array中，其中包含网络名称、身体部件名称、(x, y)标签位置(以像素为单位)和每个身体部件的每一帧的可能性。

新增文件：

创建一个自动标记的视频

这个函数是创建带有预测标签的.mp4视频。这个视频与未标记的视频保留在一个目录下

deeplabcut.create_labeled_video(path_config_file,videofile_path, draw_skeleton=True)

绘制轨迹：

deeplabcut.plot_trajectories(config_path,video)

新增文件：

如果结果满意的话，就可以到此为止了，但是如果对结果不满意的话，可以接着进行下面的步骤：

提取离群帧

deeplabcut.extract_outlier_frames(config_path,video)

新增目录：

手动更改标签：此步骤是让用户更正提取帧中的标签

deeplabcut.refine_label(path_config_file)

合并数据集：

deeplabcut.merge_datasets(path_config_file)

创建训练数据集的新迭代，检查并训练...（现在剩下的步骤便是重复上面的步骤，在新的数据集上训练）