WenmuZhou / 3D-ResNets_paddle

Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

Reproduction of paper "Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?"

Reproduction based on PaddleVideo

一、简介

image
网络结构如图所示,本论文的目的是检验当前的视频数据集是否可以用于训练非常深的3D卷积网络。本项目的结构是ResNet18(如红框所示),目标是UCF101分类准确率达到42.4%。

论文:

代码参考: -https://github.com/kenshohara/3D-ResNets-PyTorch/tree/CVPR2018

二、复现精度

在UCF101验证集上:

model acc log
3d-resnet 43.98% log

三、数据集

UCF101

四、环境依赖

  • 硬件:Tesla V100 * 1
  • 框架:PaddlePaddle==2.2.1

五、快速开始

本项目基于PaddleVideo开发,使用方法和PaddleVideo完全一致
该项目提供了NoteBook版本,带有权重,可快速体验。

第一步:克隆本项目

git clone https://github.com/justld/3D-ResNets_paddle

安装第三方库

pip install -r requirements.txt

第二步:准备数据

参考UCF101数据准备

第三步:训练

训练需要一个小时左右,可以很快得到训练结果.
权重下载 提取码:9exc

python3 main.py -c configs/recognition/resnet18_3d/resnet18_3d_ucf101_frames.yaml --validate --seed=10001 

第四步:验证

python3 main.py -c configs/recognition/resnet18_3d/resnet18_3d_ucf101_frames.yaml --test -w {path to pdparams}

第五步:导出预测

先导出模型,然后预测

python3.7 tools/export_model.py -c configs/recognition/resnet18_3d/resnet18_3d_ucf101_frames.yaml -p {path to pdparams} -o inference/Res18_3D

python3.7 tools/predict.py --config configs/recognition/resnet18_3d/resnet18_3d_ucf101_frames.yaml --input_file {path to avi} --model_file inference/Res18_3D/Res18.pdmodel --params_file inference/Res18_3D/Res18.pdiparams --use_gpu=True --use_tensorrt=False

六、模型信息

信息 描述
作者 郎督
框架版本 PaddlePaddle==2.2.1
在线体验 notebook
ezoic increase your site revenue

About

Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?

License:Apache License 2.0


Languages

Language:Python 98.6%Language:Shell 1.4%