HRNet提取骨架特征点+ ST-GCN训练自己的数据集代码实践问题记录

最新推荐文章于 2026-05-08 16:01:13 发布
原创 最新推荐文章于 2026-05-08 16:01:13 发布 · 1.2w 阅读 · 156
标签
#深度学习
本文详细介绍了如何使用ST-GCN和HRNet进行骨骼点识别与行为分类，涵盖了环境搭建、数据预处理、模型配置及训练过程。通过对比OpenPose，展示了HRNet在特征点提取上的优势。

软硬件环境：
python 3.6.5
Ubuntu 18.04 LTS
Pytorch 1.1.0
NVIDIA TITAN XP 8GB

项目链接https://github.com/open-mmlab/mmskeleton

前提

HRNet的准备工作可见我的上一条博文。

准备工作

  1. 先准备数据集
  2. 准备环境，包含两步：
    第一步： 进入文件夹./deprecated/origin_stgcn_repo/ ，打开requirements.txt看下需要满足的环境条件,conda list:
    在这里插入图片描述
    我不直接安装requirements.txt中的需求原因是，怕修改了我的torch版本，导致和cuda版本不匹配，这样我又要重新降版本，很麻烦，所我采用对比的方法，对比自己已经安装的包和requirements.txt上需要安装的包。
    对比后，发现缺少：
    在这里插入图片描述
    所以pip install -r requirements.txt进行安装：
最低0.47元/天 解锁文章
2026.4.23：微调resnet50模型训练水果数据集，准确率达0.99856
拥抱具身智能，昇腾Ascend C
04-23 82
这篇文章介绍了如何使用PyTorch微调ResNet50模型来训练水果分类数据集，最终达到了99.856%的高准确率。主要内容包括： 项目配置：通过pyproject.toml文件定义了项目依赖，包括PyTorch、Torchvision等深度学习框架 数据集准备：展示了数据集结构，包含训练集和测试集 模型微调： 使用预训练的ResNet50模型 修改最后一层全连接层以适应5类水果分类 实现了数据增强（随机翻转、旋转）和标准化处理 采用AdamW优化器和交叉熵损失函数 训练50个epoch并保存模型 评估方
hrnetv2训练自己的数据集(cityscapes格式)
hanqu3456的博客
03-17 2701
简单记录利用hrnetv2训练自有数据时，遇到的问题 1.下载github代码，配置环境； 2.假设已有原始8位图像和8位label图像； 3.修改root/lib/datasets/cityscapes.py中的部分： self.label_mapping = {-1: ignore_label, 0: ignore_label, 1: ignore_label, 2: ignore_label,
如何用PYSKL提取自定义视频的2D骨架？HRNet预处理脚本实战
gitblog_00692的博客
03-15 693
PYSKL是一个专注于基于骨架的动作识别工具箱，本文将详细介绍如何使用PYSKL中的HRNet预处理脚本提取自定义视频的2D骨架，帮助新手快速掌握视频骨架提取的完整流程。 ## 📋 准备工作：环境与依赖安装 在开始提取2D骨架前，需要确保你的环境中已安装以下依赖： - Python 3.6+ - PyTorch 1.6+ - OpenCV - MMDetection 和 MMPose（用于目
用自建kinetics-skeleton行为识别数据集训练st-gcn网络流程记录
Lujiahao98689的博客
11-20 1万+
用自建kinetics-skeleton数据集训练st-gcn网络流程记录0. 准备工作1. 下载/裁剪视频2. 利用OpenPose提取骨骼点数据,制作kinetics-skeleton数据集3. 训练st-gcn网络4. 用自己训练的st-gcn网络跑demo，并可视化 0. 准备工作 首先就是把st-gcn网络的运行环境完全配置好了，并且可以正常进行行为识别 配置环境参考： 1. 复现旧版STGCN GPU版 （win10+openpose1.5.0） 2. 复现st-gcn(win10+openpo
ST-GCN训练自建数据集
weixin_48159023的博客
11-29 1万+
参考了许多博文，慢慢地也就把st-gcn跑出来了，参考的文章一会附在文章里面，实测有用。 1.安装st-gcn 复现STGCN CPU版 （ubuntu16.04+pytorch0.4.0+openpose+caffe）_Significance的博客-CSDN博客​​​​​​复现旧版STGCN GPU版 （win10+openpose1.5.0）_Significance的博客-CSDN博客2 2.准备训练数据集 官方使用的是Kinetics-skeleton和NTU RGB+D两个数据集来训练网
MMSegmentation训练自己的数据集（HRNet）
m0_47026232的博客
03-12 3800
MSegmentation训练自己的数据集（HRNet）
使用HRnet训练自己的模型并检测
qq_44934014的博客
11-06 2700
from __future__ import absolute_import from __future__ import division from __future__ import print_function import cv2 as cv import torch import torch.nn.parallel import torch.backends.cudnn as cudnn import torch.optim import torch.utils.data import torc.
ST-GCN模型实现花样滑冰动作分类
11-05 2962
时空图卷积网络（ST-GCN）的引入：模型利用ST-GCN对花样滑冰动作进行分类。ST-GCN的优势在于其对人体骨骼关键点的时空动态进行有效建模，这使得模型能够捕捉动作的空间结构和时序特征。相比于传统的卷积神经网络（CNN），该模型能够更加准确地分析和分类人体复杂的运动轨迹，尤其是在花样滑冰这种高难度的体育项目中。轻量化的网络结构设计：模型采用了简洁的网络结构，通过少量卷积核来实现动作分类，保持了较高的计算效率。
基于3D骨架与Transformer的神经退行性疾病步态AI诊断技术实践
最新发布
weixin_30924239的博客
05-08 198
计算机视觉与深度学习技术正逐步改变传统医疗诊断模式，其核心在于从原始数据中提取结构化信息进行分析。姿态估计作为关键基础技术，能够从视频中提取人体关节点的时空坐标序列，形成可量化的3D骨架数据。这一技术原理通过将复杂的视觉信息抽象为图结构或时序序列，为模型理解人体运动模式提供了高效且隐私安全的表示方法。其技术价值在于实现了对主观临床观察的客观化、数字化转变，显著提升了特征提取的效率和模型泛化能力。在医疗健康领域，该技术尤其适用于神经退行性疾病的早期筛查与辅助诊断，例如通过分析步态参数的细微变化来识别帕金森病、
告别专业设备依赖：DiffSynth Studio视频转3D骨架技术全解析
gitblog_01092的博客
03-25 12
传统3D动作捕捉技术长期受限于专业设备成本高（单套系统10万-100万元）、操作复杂度大（需专业技术人员）、场景限制多（需特定拍摄环境）三大痛点。DiffSynth Studio通过深度学习技术重构，实现了普通视频到3D骨架的直接转换，将技术门槛从专业级降至消费级，使独立创作者、小型工作室和教育机构能够以零硬件投入开展3D动作创作。 该技术的核心价值体现在三个维度：**成本降低99%**（仅需普
行为识别 Activity Recognition
qq_44089890的博客
04-30 7895
具体来说，GCN中的每个节点都有一个特征表示，这个特征表示可以是节点自身的特征向量，也可以是由节点的邻居节点的特征向量组成的聚合特征向量。在行为定位中，通常会使用时间窗口的方法对视频序列进行分割，然后对每个时间窗口进行行为分类，最后通过时间对齐的方法确定行为的发生时间段。这是行为识别中最基本的任务，也是最常见的任务。在这种情况下，特征聚合的计算方法是先将邻接矩阵A通过度矩阵D的逆矩阵进行归一化处理，得到新的邻接矩阵L’，然后将L’与特征矩阵H做矩阵乘法，并乘以权重矩阵W，得到新的特征矩阵H’。
ST-GCN可视化（python mmskl.py pose_demo）
hdyan1118的博客
11-18 1134
ST-GCN可视化
用st-gcn训练自己的数据集
weixin_52811483的博客
03-23 8702
使用自己的数据集训练st-gcn的流程 1.数据集 数据集要求将相同类别的视频放到同一文件夹 2.脚本运行demo_old 将文件夹下所有视频转为json格式 import os dataSet_path = 'D:/dataSet/training_lib_KTH'#修改 for classes in os.listdir(dataSet_path): classes_path = os.path.join(dataSet_path, classes) if os.path.isd
保姆级使用PyTorch训练与评估自己的HorNet网络教程
啥都生的博客
11-08 2422
如果你以为该仓库仅支持训练一个模型那就大错特错了，我在项目地址放了目前支持的35种模型，速度快的同学论文已经在审了～
利用openpose提取自建数据集骨骼点训练st-gcn，复现st-gcn
qq_41131123的博客
10-04 1万+
利用openpose提取自建数据集骨骼点搭建st-gcn
st-gcn训练自建行为识别数据集
热门推荐
动力中原
07-16 1万+
st-gcn训练自建行为识别数据集代码下载与环境配置准备行为数据 代码下载与环境配置 首先参照下面的命令，下载st-gcn算法的训练代码，配置环境。 git clone https://github.com/yysijie/st-gcn.git cd st-gcn pip install -r requirements.txt cd torchlight python setup.py install cd .. 准备行为数据 训练之前，需要根据kinetics-skleton数据集的格式，提取自建数据集
HRNet语义分割训练及TensorRT部署
zi_y_uan的博客
03-20 1万+
使用HRNet训练自己的语义分割数据集，并利用TensorRT加速推理，最终通过Triton部署
5分钟搞懂人体骨骼关键点检测：从2D到3D的算法演进与实战数据集推荐
weixin_30527423的博客
04-22 176
本文全面解析人体骨骼关键点检测算法从2D到3D的技术演进，涵盖热力图预测、多人场景解决方案及3D姿态估计突破。针对计算机视觉领域的实际需求，推荐MPII、COCO等实战数据集，并分享模型轻量化与极端场景处理的工程技巧，助力开发者快速掌握这一核心技术。
MMSkeleton姿态估计完全指南：HRNet与Cascade R-CNN的最佳实践
gitblog_00422的博客
03-30 878
MMSkeleton是OpenMMLAB推出的开源工具库，专注于人体姿态估计、基于骨架的动作识别和动作合成。本文将详细介绍如何利用MMSkeleton中HRNet与Cascade R-CNN模型实现高精度姿态估计，帮助新手快速掌握这一强大工具的最佳实践方法。 ## 📌 核心模型架构解析 MMSkeleton的姿态估计算法采用两阶段架构，结合了目标检测与关键点定位的优势： ### Casca
视频动作数字化技术：从二维视频到三维骨骼重建的完整解决方案
gitblog_00397的博客
03-03 492
视频动作数字化技术正在重塑动画制作、游戏开发和虚拟现实等领域的内容创作方式。本文介绍的开源项目提供了一套完整的技术实现方案，能够将普通视频中的人体动作转化为精确的三维骨骼数据，并生成行业标准的BVH文件。通过三维骨骼重建技术，该工具实现了从视频输入到动作数据输出的全自动化处理，为数字内容创作者提供了高效、低成本的动作捕捉替代方案。 ## 核心价值解析：视频动作数字化的技术突破 在传统的动作捕捉
评论 67
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值