DeepLabCut使用教程之二--示例：Demo项目

引言

为快速深刻的理解 DeepLabCut，本文按照官方给出的案例做相关的讲解，具体的实践步骤在文件 DeepLabCut/examples/Demo_labeledexample_MouseReaching.ipynb 给出，如有兴趣，可直接参考官方文档。图片是DeepLabCut 的整体流程结构。

本博客主要内容：
   --绘制标记图像
   --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
   --识别异常值框架
   --手动注释异常值帧
   --合并数据集并更新训练集
   --训练网络
注意：此笔记本从已初始化的带有标记数据的项目开始。

开始操作:

（限于篇幅只讲解了流程，但没有对文件结构变化及相关的具体含义进行解释说明，有时间续写......）

# 激活环境
source activate deeplabcut-py36

# python 交互环境
python

导入相关库:

import deeplabcut
import tensorflow as tf
import os
from pathlib import Path

导入案例数据库：

加载数据前的文件结构

# 路径
path_config_file = os.path.join(os.getcwd(),'DeepLabCut-Felix/examples/Reaching-Mackenzie-2018-08-30/config.yaml')
# 加载数据
deeplabcut.load_demo_data(path_config_file)
# 注意文件夹的 文件变化

# 检查标签数据
deeplabcut.check_labels(path_config_file)

加载后文件结构变化

训练数据：

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

# 建议训练半小时即可， ctrl+C 停止训练

训练期间，可以查看 GPU 状态：（本人电脑配置低，处于满负荷运转）

扫描二维码关注公众号，回复： 5873778 查看本文章

文件结构变化：（一个截屏呈现有点小，两个截屏）主要两点：一是 trian 文件夹中文件的增加；二是新增 reachingvideo1_labeled 文件，里面是照片。

评估网络：

# ctrl + c 停止训练
# 开始评估模型
deeplabcut.evaluate_network(path_config_file,plotting=True)

# 此函数用于评估特定训练状态（快照）或所有状态下特定随机播放/随机播放的训练模型。
# 在数据集（图像）上对网络进行评估，并将结果作为.csv文件存储在评估结果下的子目录中。

对应的新增文件：

分析视频：

# 创建路径
videofile_path = ['/home/DeepLabCut-Felix/examples/Reaching-Mackenzie-2018-08-30/videos/MovieS2_Perturbation_noLaser_compressed.avi']
# 注意保存视频的目录下有两个视频，但不是同一个视频。
# 一个用于训练，一个（MovieS2_Perturbation_noLaser_compressed.avi）用于分析

# 分析视频
print("Start Analyzing the video!")
deeplabcut.analyze_videos(path_config_file, videofile_path )
# 需要较长的时间分析

新增两个文件：

创建带有标签的视频：


deeplabcut.create_labeled_video(path_config_file,videofile_path)

（此功能用于可视化目的，可用于创建带有预测标签的.mp4格式视频。此视频保存在（未标记的）视频所在的同一目录中。）即基于训练的效果，在之前用于分析的视频创建标签。

新增的标签视频目录：

绘制分析视频的轨迹：

（此函数绘制整个视频中所有身体部位的轨迹。每个身体部位都有一种独特的颜色。底层函数可以很容易地定制）新增的四幅图片在 videos 文件夹下的子文件夹 plot-poses。此时由上一步的 17 directories, 87 files 变成 19directories, 91 files。

deeplabcut.plot_trajectories(path_config_file,videofile_path,showfigures=True)

当提取异常值帧，预测结束

（这是可选步骤，允许在评估结果较差时添加更多训练数据。在这种情况下，用户可以使用以下功能来提取错误预测标签的帧。确保提供正确的“迭代”值，因为它将用于创建将保存提取的帧的唯一目录。）

deeplabcut.extract_outlier_frames(path_config_file,videofile_path,outlieralgorithm='uncertain',p_bound=.2)

此时，新增一个文件夹，里面保存的新增提取的帧：

手动更正标签：

（此步骤允许用户更正提取的帧中的标签。）

deeplabcut.refine_labels(path_config_file)

此时会弹出GUI窗口，手动更改标签：

此时结束后，多了两个文件：

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）

# 检查标签
deeplabcut.check_labels(path_config_file)

# 创建训练数据集
deeplabcut.create_training_dataset(path_config_file)

注意文件结构的变化：

重新训练：


# 在新的数据集重新训练
deeplabcut.train_network(path_config_file)