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》。

• 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。