source activate deeplabcut-py36
ipython
import deeplabcut
import tensorflow as tf
import os
from pathlib import Path
task = 'Test-zcfan-DLC'
exprimenter = 'zcfan'
video =['/home/zcfan/DeepLabCut-master/Test-zcfan-DLC/videos/test.mp4']
1、# 創建項目，並指定工作文件夾 工作文件夾的命名規則： task-exprimenter-日期
# 本案例指定工作文件夾爲home/zcfan/DeepLabCut-master/Test-zcfan-DLC/videos
# 本案例 則爲 Test-zcfan-DLC-zcfan-2019-12-17。
deeplabcut.create_new_project(task,experimenter,video,working_directory='/home/zcfan/DeepLabCut-master/Test-zcfan-DLC/videos',copy_videos=True)
2、# 設置一個文件配置變量，方便下面使用。
path_config_file = '/home/zcfan/DeepLabCut-master/Test-zcfan-DLC/videos/Test-zcfan-DLC-zcfan-2019-12-17/config.yaml'
3、# 在文件 labeled-data/test/ 下生成若干提取圖片 。
deeplabcut.extract_frames(path_config_file,'automatic','uniform',crop=True, checkcropping=True)
另一種手動捕捉
deeplabcut.extract_frames(path_config_file,'manual')拖動視頻進度條，在合適的圖像時點擊“Grab Frames”。新增捕獲的圖像幀，也會存放在文件 labeled-data/test/ 下。
4、標記圖像
deeplabcut.label_frames(path_config_file)
左鍵移動，右鍵標記。標記完成後，點擊 “Save”。之後會在 labeled-data/test/文件下生成 CollectedData_felix.csv, CollectedData_felix.h5。
注意：“select a bodypart to label” 由config.yaml 文件中 bodyparts 中的參數決定。每一個項目根據自己的需求自定義。
5、檢查標籤：
deeplabcut.check_labels(path_config_file)
新生成一個 test_labeled 文件夾，其中保存着被標記的圖片。（labeled-data 下的兩個文件夾 test 和test_labeled中保存的圖像是一致的，唯一的區別在於是否被標記）。接下來就可以使用 “create_training_dataset(path_config_file)” 開始創建訓練。
6、訓練集的數據將保存在 “training-datasets” 和 “dlc-models” 文件夾中，未開始訓練前是空的。
deeplabcut.create_training_dataset(path_config_file)
# 可以通過可選參數 num_shuffles = n 創建多個訓練子集
# deeplabcut.create_training_dataset(path_config_file, num_shuffles = 3)
7、開始訓練：
可ctrl+c 停止訓練。
a、deeplabcut.train_network(path_config_file)
b、deeplabcut.train_network(path_config_file, shuffle=1, saveiters=300, displayiters=10)
# 此函數有很多可選參數，學會基本操作後，可以慢慢學習其他參數的使用。我使用了下面那種。
8、# ctrl + c 停止訓練
# 開始評估模型
deeplabcut.evaluate_network(path_config_file,plotting=True)
# 此函數用於評估特定訓練狀態（快照）或所有狀態下特定隨機播放/隨機播放的訓練模型。
# 在數據集（圖像）上對網絡進行評估，並將結果作爲.csv文件存儲在評估結果下的子目錄中。
9、# 創建路徑
videofile_path = ['/home/DeepLabCut-Felix/examples/Reaching-Mackenzie-2018-08-30/videos/MovieS2_Perturbation_noLaser_compressed.avi']
# 注意保存視頻的目錄下有兩個視頻，但不是同一個視頻。
# 一個用於訓練，一個（MovieS2_Perturbation_noLaser_compressed.avi）用於分析
10、# 分析視頻
print("Start Analyzing the video!")
deeplabcut.analyze_videos(path_config_file, videofile_path )
# 需要較長的時間分析
11、創建帶有標籤的視頻：
deeplabcut.create_labeled_video(path_config_file,videofile_path)
12、繪製分析視頻的軌跡：
（此函數繪製整個視頻中所有身體部位的軌跡。每個身體部位都有一種獨特的顏色。底層函數可以很容易地定製）新增的四幅圖片在 videos 文件夾下的子文件夾 plot-poses。此時由上一步的 17 directories, 87 files 變成 19directories, 91 files。
deeplabcut.plot_trajectories(path_config_file,videofile_path,showfigures=True)
#####################################
1、當提取異常值幀，預測結束
（這是可選步驟，允許在評估結果較差時添加更多訓練數據。 在這種情況下，用戶可以使用以下功能來提取錯誤預測標籤的幀。 確保提供正確的“迭代”值，因爲它將用於創建將保存提取的幀的唯一目錄。）
deeplabcut.extract_outlier_frames(path_config_file,videofile_path,outlieralgorithm='uncertain',p_bound=.2)
2、手動更正標籤：
（此步驟允許用戶更正提取的幀中的標籤。）
deeplabcut.refine_labels(path_config_file)
3、合併數據集：
deeplabcut.merge_datasets(path_config_file)
4、創建訓練數據集的新迭代，檢查並訓練...（現在剩下的步驟便是重複上面的步驟，在新的數據集上訓練）
# 檢查標籤
deeplabcut.check_labels(path_config_file)
# 創建訓練數據集
deeplabcut.create_training_dataset(path_config_file)
5、重新訓練：
# 在新的數據集重新訓練
deeplabcut.train_network(path_config_file)