--- title: C3D-PyTorch-模型库-ModelZoo-昇腾社区 description: C3D使用3D卷积网络学习时空特征，实现视频上的行为分析。 keywords: PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境,准备环境 url: https://www.hiascend.com/software/modelzoo/models/detail/fbe16a270a764d7da5f8ea4b4c1bc8e9 section: (其他) --- # C3D-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/fbe16a270a764d7da5f8ea4b4c1bc8e9 描述: C3D使用3D卷积网络学习时空特征，实现视频上的行为分析。 关键词: PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境,准备环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) C3D-PyTorch ## C3D-PyTorch 位姿估计PyTorch训练600次浏览2026/02/02更新 获取源码 C3D-PyTorch 查看模型源码 ... # 概述 ## 简述 C3D模型使用经过大规模视频数据集预训练的3D ConvNets来学习视频的时空特征，可以同时对外观和运动信息进行建模，在各种视频分析任务上，证明了其采用的3D ConvNets优于2D ConvNet特征，是一个经典的视频时空特征提取backbone网络。 - 参考实现： ``` url=https://github.com/open-mmlab/mmaction2/blob/master/configs/recognition/c3d/README.md commit_id=2b6f9ac69b3609b96a514501ffe30fc90545f518 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/video ``` - 通过单击“立即下载”，下载源码包。 # 准备训练环境 ## 准备环境 - 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。 表 1版本支持表 | Torch_Version | 三方库依赖版本 | | --- | ---| | PyTorch 1.5 | torchvision==0.2.2.post3 | | PyTorch 1.8 | torchvision==0.9.1 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。 - 安装依赖。 在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。 ``` pip install -r 1.5_requirements.txt # PyTorch1.5版本 pip install -r 1.8_requirements.txt # PyTorch1.8版本 ``` 说明：只需执行一条对应的PyTorch版本依赖安装命令。 - 安装 mmcv（在模型源码包根目录下执行以下操作）。 ``` export GIT_SSL_NO_VERIFY=1 git config --global http.sslVerify false git clone -b v1.3.9 --depth=1 https://github.com/open-mmlab/mmcv.git source ./test/env_npu.sh; cd mmcv; python3.7 setup.py build_ext; python3.7 setup.py develop ``` - 修改mmcv。 ``` cp ./additional_need/mmcv/distributed.py ./mmcv/mmcv/parallel/ cp ./additional_need/mmcv/test.py ./mmcv/mmcv/engine/ cp ./additional_need/mmcv/dist_utils.py ./mmcv/mmcv/runner/ cp ./additional_need/mmcv/optimizer.py ./mmcv/mmcv/runner/hooks/ cp ./additional_need/mmcv/epoch_based_runner.py ./mmcv/mmcv/runner/ ``` ## 准备数据集 1. 获取数据集。 用户自行获取原始数据集，可选用的开源数据集包括ucf101等，将获取好的数据集上传至在源码包根目录下新建的"data/"文件夹下并解压。 以ucf101数据集为例，数据集目录结构参考如下所示。 ``` data ├── ucf101 │ ├── ucf101_{train,val}_split_{1,2,3}_rawframes.txt │ ├── ucf101_{train,val}_split_{1,2,3}_videos.txt │ ├── annotations │ ├── rawframes │ │ ├── ApplyEyeMakeup │ │ │ ├── v_ApplyEyeMakeup_g01_c01 │ │ │ │ ├── img_00001.jpg │ │ │ │ ├── img_00002.jpg │ │ │ │ ├── ... │ │ │ │ ├── flow_x_00001.jpg │ │ │ │ ├── flow_x_00002.jpg │ │ │ │ ├── ... │ │ │ │ ├── flow_y_00001.jpg │ │ │ │ ├── flow_y_00002.jpg │ │ ├── ... │ │ ├── YoYo │ │ │ ├── v_YoYo_g01_c01 │ │ │ ├── ... │ │ │ ├── v_YoYo_g25_c05 ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。 - 单机单卡训练 启动单卡训练。 ``` bash ./test/train_performance_1p.sh #单卡性能 bash ./test/train_full_1p.sh #单卡精度 bash ./test/test_1p.sh #单卡精度测试 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_performance_8p.sh #8卡性能 bash ./test/train_full_8p.sh #8卡精度 bash ./test/test_8p.sh #8卡精度测试 ``` 模型训练脚本参数说明如下。 ``` 公共参数： --data_path //数据集路径 --batch_size //训练批次大小 --validate //启动验证 --rank_id //训练卡id --seed //种子设定 ``` 训练完成后，权重文件保存在当前路径下，并在test/output中输出模型训练精度和性能信息。 # 训练结果展示 表 2训练结果展示表 | NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_version | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | - | - | - | - | - | | 8p-竞品V | - | - | - | - | - | | 1p-NPU | - | 58.93 | 1 | O2 | 1.8 | | 8p-NPU | 81.42 | 443.83 | 30 | O2 | 1.8 | # 版本说明 ## 变更 2023.02.13：更新readme，重新发布。 2021.02.14：首次发布。 ## FAQ 无。 | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| 暂无数据 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)