sled怎麼分析（slowfast復現過程）

2023-10-30 10:40:26 3

一、準備環境1.1選擇雲端伺服器

這裡推薦幾個網站，租用這些網站的GPU然後跑代碼，因為普通的筆記本搭建圖像處理的環境會遇到各種各樣的問題。在網站上租用GPU可以使用官方搭建好的鏡像，如果跑代碼或者自己把環境弄亂了，就可以釋放實例，重新再來（約等於自己電腦的重裝系統，但是這個租用的釋放和搭建新鏡像速度非常快）

以下是我推薦的幾個網站：1，極鏈AI雲平臺（我用的就是這個，有50元的白嫖額度，我就是靠這50元的額度跑出來slowfast）2，MistGPU

1.2 搭建鏡像

第一步，打開極鏈AI雲平臺,下面是網址。

登錄 - 極鏈AI雲平臺極鏈AI雲平臺超便宜共享算力平臺，提供彈性、高性能、低價格的GPU租賃服務，幫助開發者快速創建和部署模型。

https://cloud.videojj.com/center/hire第二步，選擇機子，創建自己的實例，根據網絡要求配置環境（在github上所有的網絡都有環境要求，根據系統要求選擇）。

1.選擇GPU個數和機子。

2.實例鏡像，官方給的框架是PyTorch，這裡也就PyTorch，PyTorch的版本官方給的1.3（當時官方發布的時候，PyTorch最高版本就1.3，但是這裡的鏡像沒有1.3，所以選擇一個比它高的1.4版本）。注意，python一定要選3.7版本，python一定要選3.7版本，python一定要選3.7版本，3.6版本我是跑出了問題。CUDA只有10.1可選（這也是官方鏡像的好處，在自己電腦上安裝CUDA很煩的）

編輯

以下就是創建好的實例，在不用的時候切記關機，開著會花流量。

編輯

第三步，在Xshell上打開實例，與遠程伺服器相連接。

1.新建項目建立連結。

編輯

2.名稱位置處填寫自己想寫的名字，主機位置複製實例位置的帳號後半段，埠號填寫複製連結實例位置帳號的前半段的數字。完成後點擊用戶身份驗證，輸入目錄名稱和複製實例中的密碼粘貼上去。

編輯就是複製登錄指令ssh -p 39988 [email protected]（主機是指令@後半段，埠號是指令前半段數字）和複製密碼。

編輯

如下就是與遠程伺服器連接好的界面。

編輯

1.3 配置slowfast環境

這裡需要注意，gitHub上是最新的環境，我這裡是跟著視頻弄的。

點擊branches ；

編輯

選擇第一個是舊版的slowfast。

編輯

按照官網上的步驟來Installation注意，這裡的opencv-python就不要執行，因為鏡像裡自帶了opencv-python！

按照步驟裝就行，有的比較慢，要等一會。

編輯

二、裝代碼和調式過程2.1代碼下載

slowfast官方網址

代碼下載：（直接下載到環境裡面了，但是容易找不到在哪）

git clone https://github.com/facebookresearch/slowfast

這裡用的辦法是先打開網頁，下載壓縮包，之後解壓放到桌面上，然後使用Xshell的文件傳輸功能將桌面文件傳輸到遠程伺服器的home文件夾中。如下圖所示：

編輯

2.2ava.json

在極鏈AI網頁的我的實例下連接實例裡面打開jupyter，在/home/slowfast/demo/AVA目錄下創建特text file文件，將文件名字改為ava.json

編輯

點開文件，複製下面的代碼

{"bend/bow (at the waist)": 0, "crawl": 1, "crouch/kneel": 2, "dance": 3, "fall down": 4, "get up": 5, "jump/leap": 6, "lie/sleep": 7, "martial art": 8, "run/jog": 9, "sit": 10, "stand": 11, "swim": 12, "walk": 13, "answer phone": 14, "brush teeth": 15, "carry/hold (an object)": 16, "catch (an object)": 17, "chop": 18, "climb (e.g., a mountain)": 19, "clink glass": 20, "close (e.g., a door, a box)": 21, "cook": 22, "cut": 23, "dig": 24, "dress/put on clothing": 25, "drink": 26, "drive (e.g., a car, a truck)": 27, "eat": 28, "enter": 29, "exit": 30, "extract": 31, "fishing": 32, "hit (an object)": 33, "kick (an object)": 34, "lift/pick up": 35, "listen (e.g., to music)": 36, "open (e.g., a window, a car door)": 37, "paint": 38, "play board game": 39, "play musical instrument": 40, "play with pets": 41, "point to (an object)": 42, "press": 43, "pull (an object)": 44, "push (an object)": 45, "put down": 46, "read": 47, "ride (e.g., a bike, a car, a horse)": 48, "row boat": 49, "sail boat": 50, "shoot": 51, "shovel": 52, "smoke": 53, "stir": 54, "take a photo": 55, "text on/look at a cellphone": 56, "throw": 57, "touch (an object)": 58, "turn (e.g., a screwdriver)": 59, "watch (e.g., TV)": 60, "work on a computer": 61, "write": 62, "fight/hit (a person)": 63, "give/serve (an object) to (a person)": 64, "grab (a person)": 65, "hand clap": 66, "hand shake": 67, "hand wave": 68, "hug (a person)": 69, "kick (a person)": 70, "kiss (a person)": 71, "lift (a person)": 72, "listen to (a person)": 73, "play with kids": 74, "push (another person)": 75, "sing to (e.g., self, a person, a group)": 76, "take (an object) from (a person)": 77, "talk to (e.g., self, a person, a group)": 78, "watch (a person)": 79}

(上面這段代碼是ava的訓練集，有80個行為)

2.3SLOWFAST_32x2_R101_50_50.yaml

在目錄：/home/slowfast/demo/AVA中打開SLOWFAST_32x2_R101_50_50.yaml內容改為如下：

主要改的代碼是70行以後的。

TRAIN: ENABLE: False DATASET: ava BATCH_SIZE: 16 EVAL_PERIOD: 1 CHECKPOINT_PERIOD: 1 AUTO_RESUME: True CHECKPOINT_FILE_PATH: '/home/slowfast/configs/AVA/c2/SLOWFAST_32x2_R101_50_50.pkl' #path to pretrain model CHECKPOINT_TYPE: pytorchDATA: NUM_FRAMES: 32 SAMPLING_RATE: 2 TRAIN_JITTER_SCALES: [256, 320] TRAIN_CROP_SIZE: 224 TEST_CROP_SIZE: 256 INPUT_CHANNEL_NUM: [3, 3]DETECTION: ENABLE: True ALIGNED: FalseAVA: BGR: False DETECTION_SCORE_THRESH: 0.8 TEST_PREDICT_BOX_LISTS: ["person_box_67091280_iou90/ava_detection_val_boxes_and_labels.csv"]SLOWFAST: ALPHA: 4 BETA_INV: 8 FUSION_CONV_CHANNEL_RATIO: 2 FUSION_KERNEL_SZ: 5RESNET: ZERO_INIT_FINAL_BN: True WIDTH_PER_GROUP: 64 NUM_GROUPS: 1 DEPTH: 101 TRANS_FUNC: bottleneck_transform STRIDE_1X1: False NUM_BLOCK_TEMP_KERNEL: [[3, 3], [4, 4], [6, 6], [3, 3]] SPATIAL_DILATIONS: [[1, 1], [1, 1], [1, 1], [2, 2]] SPATIAL_STRIDES: [[1, 1], [2, 2], [2, 2], [1, 1]]NONLOCAL: LOCATION: [[[], []], [[], []], [[6, 13, 20], []], [[], []]] GROUP: [[1, 1], [1, 1], [1, 1], [1, 1]] INSTANTIATION: dot_product POOL: [[[2, 2, 2], [2, 2, 2]], [[2, 2, 2], [2, 2, 2]], [[2, 2, 2], [2, 2, 2]], [[2, 2, 2], [2, 2, 2]]]BN: USE_PRECISE_STATS: False NUM_BATCHES_PRECISE: 200SOLVER: MOMENTUM: 0.9 WEIGHT_DECAY: 1e-7 OPTIMIZING_METHOD: sgdMODEL: NUM_CLASSES: 80 ARCH: slowfast MODEL_NAME: SlowFast LOSS_FUNC: bce DROPOUT_RATE: 0.5 HEAD_ACT: sigmoidTEST: ENABLE: False DATASET: ava BATCH_SIZE: 8DATA_LOADER: NUM_WORKERS: 2 PIN_MEMORY: TrueNUM_GPUS: 1NUM_SHARDS: 1RNG_SEED: 0OUTPUT_DIR: .#TENSORBOARD:# MODEL_VIS:# TOPK: 2DEMO: ENABLE: True LABEL_FILE_PATH: "/home/slowfast/demo/AVA/ava.json" INPUT_VIDEO: "/home/slowfast/Vinput/1.mp4" OUTPUT_FILE: "/home/slowfast/Voutput/1.mp4" DETECTRON2_CFG: "COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml" #預訓練模型 DETECTRON2_WEIGHTS: detectron2://COCO-Detection/faster_rcnn_R_50_FPN_3x/137849458/model_final_280758.pkl

下面這一行代碼存放的是輸入視頻的位置，當然Vinput這個文件夾是我自己建的，位置在/home/slowfast/裡面，通過jupyter創建，（輸入文件夾，創建好後，可以通過Xshell的傳輸功能把視頻傳進去，但注意需要將視頻名字改成與下面代碼相同）

INPUT_VIDEO: "/home/slowfast/Vinput/1.mp4"

下面這一行代碼存放的是檢測後視頻的位置，當然Voutput這個文件夾是我自己建的，與上面的相同，測試好的視頻可在上面的文件中找到。

2.4 SLOWFAST_32x2_R101_50_50 .pkl

打開下面的頁面

SlowFast/MODEL_ZOO.md at main · facebookresearch/SlowFast · GitHubPySlowFast: video understanding codebase from FAIR for reproducing state-of-the-art video models. - SlowFast/MODEL_ZOO.md at main · facebookresearch/SlowFast

https://github.com/facebookresearch/SlowFast/blob/main/MODEL_ZOO.md下載模型SLOWFAST_32x2_R101_50_50 .pkl 到/home/slowfast/configs/AVA/c2目錄下（可以下載下之後通過Xshell傳輸到指定位置）