Skip to content

Latest commit

 

History

History
181 lines (149 loc) · 6.01 KB

whl_zh.md

File metadata and controls

181 lines (149 loc) · 6.01 KB
Raw

简体中文 | English

paddlevideo包使用教程

快速开始

安装

使用pypi安装

pip install paddlevideo==0.0.1

注意: 在下载opecv-python的过程中你可能遇到困难，你可以尝试使用其他源进行安装，试一试：

pip install opencv-python==4.2.0.32 -i https://pypi.doubanio.com/simple

本地打包whl文件并安装

python3 setup.py bdist_wheel
pip3 install dist/paddlevideo-x.x.x-py3-none-any.whl

1. 快速开始

  • 指定 video_file='data/example.mp4', 使用飞桨提供的推理模型 model_name='ppTSM'
from ppvideo import PaddleVideo
clas = PaddleVideo(model_name='ppTSM',use_gpu=False,use_tensorrt=False)
video_file='data/example.mp4.'
result=clas.predict(video_file)
print(result)
    >>> result
    [{'videoname': 'data/example.mp4', 'class_ids': [5], 'scores': [0.999963], 'label_names': ['archery']}]
  • 使用命令行方式启动程序
ppvideo --model_name='ppTSM' --video_file='data/example.mp4'
    >>> result
    **********data/example.mp4**********
    [{'videoname': 'data/example.mp4', 'class_ids': [5], 'scores': [0.999963], 'label_names': ['archery']}]

2. 参数介绍

  • model_name(str): 模型的名字. 如果不指定model_file和params_file你需要指定这个参数来使用飞桨提供的在K400数据集上预训练的模型，默认设置为ppTSM
  • video_file(str): 视频文件路径. 支持：本地单一视频文件，包含多个视频文件的文件夹,numpy数组。
  • use_gpu(bool): 是否使用GPU，默认为不使用。
  • num_seg(int): TSN提出的分段采样策略中分段的数量。
  • seg_len(int): 每个分段上采样的帧数。
  • short_size(int): 将帧的短边调整为多少像素，默认为256。
  • target_size(int): 调整帧的尺寸为目标尺寸，默认为224。
  • normalize(bool): 是否对帧进行归一化。默认为True。
  • model_file(str): 推理模型的模型文件(inference.pdmodel)的路径,如果不指定这个参数，你需要指定model_name来进行下载。
  • params_file(str): 推理模型的参数文件(inference.pdiparams)的路径，如果不指定这个参数，你需要指定model_name来进行下载。
  • batch_size(int): Batch size, 默认为1。
  • use_fp16(bool): 是否使用float16，默认为False。
  • use_tensorrt(bool): 是否使用Tensorrt，默认为False。
  • gpu_mem(int): GPU使用显存大小，默认为8000。
  • top_k(int): 指定返回的top_k,默认为1。
  • enable_mkldnn(bool): 是否使用MKLDNN，默认为False。

3. 不同使用方式介绍

我们提供两种不同的使用方式：1.使用python交互式编程 2.使用命令行方式

  • 查看帮助信息
ppvideo -h
  • 使用用户指定的模型，你需要指定模型文件的路径 model_file 和参数文件路径 params_file
python
from ppvideo import PaddleVideo
clas = PaddleVideo(model_file='user-specified model path',
    params_file='parmas path', use_gpu=False, use_tensorrt=False)
video_file = ''
result=clas.predict(video_file)
print(result)
bash
ppvideo --model_file='user-specified model path' --params_file='parmas path' --video_file='video path'
  • 使用飞桨提供的推理模型进行预测，你需要通过指定 model_name参数来选择一个模型对ppvideo进行初始化，这时你不需要指定 model_file文件，你所选择的model预训练模型会自动下载到 BASE_INFERENCE_MODEL_DIR目录中以 model_name命名的文件夹下
python
from ppvideo import PaddleVideo
clas = PaddleVideo(model_name='ppTSM',use_gpu=False, use_tensorrt=False)
video_file = ''
result=clas.predict(video_file)
print(result)
bash
ppvideo --model_name='ppTSM' --video_file='video path'
  • 你可以将 np.ndarray形式的数组作为输入，同样以 --video_file=np.ndarray方式指定即可
python
from ppvideo import PaddleVideo
clas = PaddleVideo(model_name='ppTSM',use_gpu=False, use_tensorrt=False)
video_file =np.ndarray
result=clas.predict(video_file)
bash
ppvideo --model_name='ppTSM' --video_file=np.ndarray
  • 你可以将 video_file指定为一个包含多个视频文件的路径，同样也可以指定 top_k参数
python
from ppvideo import PaddleVideo
clas = PaddleVideo(model_name='ppTSM',use_gpu=False, use_tensorrt=False,top_k=5)
video_file = '' # it can be video_file folder path which contains all of videos you want to predict.
result=clas.predict(video_file)
print(result)
bash
paddleclas --model_name='ppTSM' --video_file='video path' --top_k=5
  • 你可以指定 --label_name_path为你自己的标签文件，注意 格式必须为(类别ID 类别名)
0 abseiling
1 air_drumming
2 answering_questions
3 applauding
4 applying_cream
5 archery
......
  • 如果你使用的是飞桨提供的推理模型，你不需要指定label_name_path,程序将默认使用data/k400/Kinetics-400_label_list.txt；如果你想使用你自己训练的模型，你需要提供你自己的label文件，否则模型只能输出预测的分数而没有类别名称
python
from ppvideo import PaddleVideo
clas = PaddleVideo(model_file= './inference.pdmodel',params_file = './inference.pdiparams',label_name_path='./data/k400/Kinetics-400_label_list.txt',use_gpu=False)
video_file = '' # it can be video_file folder path which contains all of videos you want to predict.
result=clas.predict(video_file)
print(result)
bash
ppvideo --model_file= './inference.pdmodel' --params_file = './inference.pdiparams' --video_file='video path' --label_name_path='./data/k400/Kinetics-400_label_list.txt'
python
from ppvideo import PaddleVideo
clas = PaddleVideo(model_name='ppTSM',use_gpu=False)
video_file = '' # it can be video_file folder path which contains all of videos you want to predict.
result=clas.predict(video_file)
print(result)
bash
ppvideo --model_name='ppTSM' --video_file='video path'