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、# 创建项目，并指定工作文件夹 工作文件夹的命名规则： task-exprimenter-日期
# 本案例指定工作文件夹为home/zcfan/DeepLabCut-master/Test-zcfan-DLC/videos
# 本案例 则为 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、# 设置一个文件配置变量，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/ 下生成若干提取图片 。
deeplabcut.extract_frames(path_config_file,'automatic','uniform',crop=True, checkcropping=True)
另一种手动捕捉
deeplabcut.extract_frames(path_config_file,'manual')拖动视频进度条，在合适的图像时点击“Grab Frames”。新增捕获的图像帧，也会存放在文件 labeled-data/test/ 下。
4、标记图像
deeplabcut.label_frames(path_config_file)
左键移动，右键标记。标记完成后，点击 “Save”。之后会在 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 中的参数决定。每一个项目根据自己的需求自定义。
5、检查标签：
deeplabcut.check_labels(path_config_file)
新生成一个 test_labeled 文件夹，其中保存着被标记的图片。（labeled-data 下的两个文件夹 test 和test_labeled中保存的图像是一致的，唯一的区别在于是否被标记）。接下来就可以使用 “create_training_dataset(path_config_file)” 开始创建训练。
6、训练集的数据将保存在 “training-datasets” 和 “dlc-models” 文件夹中，未开始训练前是空的。
deeplabcut.create_training_dataset(path_config_file)
# 可以通过可选参数 num_shuffles = n 创建多个训练子集
# deeplabcut.create_training_dataset(path_config_file, num_shuffles = 3)
7、开始训练：
可ctrl+c 停止训练。
a、deeplabcut.train_network(path_config_file)
b、deeplabcut.train_network(path_config_file, shuffle=1, saveiters=300, displayiters=10)
# 此函数有很多可选参数，学会基本操作后，可以慢慢学习其他参数的使用。我使用了下面那种。
8、# 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。
9、# 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
10、# 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
11、创建带有标签的视频：
deeplabcut.create_labeled_video(path_config_file,videofile_path)
12、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)
#####################################
1、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)
2、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)
3、合并数据集：
deeplabcut.merge_datasets(path_config_file)
4、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)
5、重新训练：
# 在新的数据集重新训练
deeplabcut.train_network(path_config_file)