第一天

第一步：创建Notebook模型任务

**step1:**进入BML主页，点击立即使用

🔗：https://ai.baidu.com/bml/

**step2:**点击Notebook，创建“通用任务”

**step3:**填写任务信息。注意这里的信息要填写您所在的企业信息，即归属要选择公司，并输入您自身所在的公司全称。如果您还在上学，请输入学校全称。既不是企业员工也不是学生，归属才能选择个人。

---

第二步：下载数据集

下载链接：https://aistudio.baidu.com/aistudio/datasetdetail/128506

四个文件都需要下载

第三步：下载任务操作模板

**下载链接：**https://aistudio.baidu.com/aistudio/datasetdetail/128507

第二天

第一步：配置Notebook

1.找到昨天创建的Notebook任务，点击配置

2.配置选择

• 开发语言：Python3.7
• AI框架：PaddlePaddle2.0.0
• 资源规格：GPU V100（限时免费，注意时间）

3.打开Notebook

4.上传本次Notebook操作模型、数据集、测试集，共5个文件

第一步：环境准备

1.下载PaddleVideo、

2.安装PaddleVideo的相关依赖

5.修改配置文件（数据路径），找到对应文件，打开，修改训练集和测试集路径

改成这样（必须英文输入）

6.保存yaml文件和Notebook文件

记得截图最后一步完成打卡

打卡截图示例：

第三天

文档指导：

1.重新启动打开Notebook任务

2.重新进入PaddleVideo目录，然后重新配置代码环境，安装依赖

3.进行模型训练，约需要半小时训练完成。

• 训练结果保存在PaddleVideo/output文件夹下

如果你想调整训练参数，可以在configs/recognition/stgcn/stgcn_fsd.yaml文件中找到网络结构与数据路径。

表示我们使用的是ST-GCN算法，framework为RecognizerGCN，backbone是时空图卷积网络STGCN，head使用对应的STGCNHead，数据集分类采用30分类 （用若用户使用10分类数据集，请在此更改为num_classes:10）。

若修改为10分类训练，除了修改数据集路径之外，在上一步网络结构中需要修改num_classes。（可以通过降低batch_size来提升实验效果，但是会加长训练时长）

4.进行模型测试

• 本案例中自带训练权重
• 通过-c参数指定配置文件，通过-w指定权重存放路径进行模型测试。

ST-GCN模型实验精度

本案例仅选用优化后单模型ST-GCN进行试验，分别在FSD30分类与10分类的测试集下计算模型精度。模型优化策略选用了数据平均抽帧（降维），随机可学习骨骼点子图划分、通过矩阵拼接替换爱因斯坦求和约定操作。下表展示了ST-GCN模型在不同测试集下实验精度结果（单卡NVIDIA GeForce RTX 3070 Ti）

数据集类别	Test Data	Top-1精度
FSD30分类	Test_A	60.5%
FSD30分类	Test_B	58.5%
FSD10分类	Test data	91.0%

在FSD10分类下需要修改 configs/recognition/stgcn/stgcn_fsd.yaml 文件中num_classes、batch_size等参数。通过修改参数（eg. batch_size:8,16)，可以达到91%左右的测试集精度。

记得截图模型测试结果进行打卡哦~

打卡截图示例：

第四天

文档指导：

1.重新启动打开Notebook任务

2.重新进入PaddleVideo目录，然后重新配置代码环境，安装依赖

3.在安装环境依赖后新增一行代码并运行（在安装环境依赖前也可以），升级一下paddlepaddle

代码:!python -m pip install paddlepaddle-gpu==2.1.3.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

4.进行模型导出，代码有更新，需要替换

更新后的代码：!python3.7 /home/work/PaddleVideo/tools/export_model.py -c /home/work/PaddleVideo/configs/recognition/stgcn/stgcn_fsd.yaml -p /home/work/PaddleVideo/output/STGCN/STGCN_epoch_00090.pdparams -o /home/work/PaddleVideo/output/inference

上述命令将生成预测所需的模型结构文件STGCN.pdmodel和模型权重文件STGCN.pdparams。

代码中的参数含义可参考↓：https://github.com/PaddlePaddle/PaddleVideo/blob/release/2.0.0/docs/zh-CN/start.md#2-模型推理

导出后的模型就在 /home/work/PaddleVideo/output/inference里

导出成功界面如下

5.进行模型预测，代码有更新，需要替换

更新后的代码：

!python3.7 /home/work/PaddleVideo/tools/predict.py \

​ --input_file /home/work/PaddleVideo/data/fsd10/example_skeleton.npy \

​ --config /home/work/PaddleVideo/configs/recognition/stgcn/stgcn_fsd.yaml \

​ --model_file /home/work/PaddleVideo/output/inference/STGCN.pdmodel \

​ --params_file /home/work/PaddleVideo/output/inference/STGCN.pdiparams \

​ --use_gpu=True \

​ --use_tensorrt=False

按照上图中的代码注释，确认一下文件名

模型推理成功的截图：

记得截图模型推理成功界面进行打卡

打卡截图示例：