linux下 pyskl环境PoseConv3D的配置--从零开始的保姆级教程

linux下 pyskl环境的配置–从配置anaconda开始的保姆级教程

使用清华镜像装个anaconda，xxx是版本

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/xxx

我这里选用https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2022.05-Linux-x86_64.sh
下载好后安装anaconda：

bash Anaconda3-2022.05-Linux-x86_64.sh

装好后把anaconda加入环境变量后激活bashrc文件

source ~/.bashrc

之后添加镜像（可加可不加）

conda create --name pyskl python=3.8
conda activate pyskl

参考官方的installation，要先安装个pytorch并且version smaller than 1.11.0 and larger (or equal) than 1.5.0
我这里服务器的版本是cuda11.1,去pytorch官网找旧版本
最后使用1.9.1版本的torch

pip install torch==1.9.1 cu111 torchvision==0.10.1 cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html

把项目克隆到本地

git clone https://github.com/kennymckormick/pyskl.git
cd pyskl

直接装太慢了，加个镜像，如下：

pip install -r requirements.txt  -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -e .  -i https://pypi.tuna.tsinghua.edu.cn/simple

另外，如果安装poseval失败，参考以上博文使用其他方法安装后还要把requirements.txt里的poseval这一项删除，重新运行一次

pip install -r requirements.txt

至此，环境配置完成。
按照官方提示运行demo

# Before running the demo, make sure you have installed mmcv-full, mmpose and mmdet. You should first install mmcv-full, and then install mmpose, mmdet.
# You should run the following scripts under the directory `$PYSKL`
# Running the demo with PoseC3D trained on NTURGB D 120 (Joint Modality), which is the default option. The input file is demo/ntu_sample.avi, the output file is demo/demo.mp4
python demo/demo_skeleton.py demo/ntu_sample.avi demo/demo.mp4
# Running the demo with STGCN   trained on NTURGB D 120 (Joint Modality). The input file is demo/ntu_sample.avi, the output file is demo/demo.mp4
python demo/demo_skeleton.py demo/ntu_sample.avi demo/demo.mp4 --config configs/stgcn  /stgcn  _ntu120_xsub_hrnet/j.py --checkpoint http://download.openmmlab.com/mmaction/pyskl/ckpt/stgcnpp/stgcnpp_ntu120_xsub_hrnet/j.pth

跑到一半报错，发现作者把一个函数删了，问题不大。
接下来开始Training & Testing
参考官方的命令：

# Training
bash tools/dist_train.sh {config_name} {num_gpus} {other_options}
# Testing
bash tools/dist_test.sh {config_name} {checkpoint} {num_gpus} --out {output_file} --eval top_k_accuracy mean_class_accuracy

我这里选用最PoseConv3D以及数据集light_gym，打开pyskl/configs/posec3d/c3d_light_gym/joint.py
修改

ann_file = 'data/gym/gym_hrnet.pkl'

这一行改成自己按照官方提示下载的gym_hrnet.pkl文件的路径
运行：

bash tools/dist_train.sh configs/posec3d/c3d_light_gym/joint.py 2 

可以看到运行成功

最后结果：

这篇好文章是转载于：学新通技术网