STGCN+YOLOV8 端到端 视频行为分类训练与测试
摘要：
本文介绍了使用STGCN（时空图卷积网络）进行视频行为分类的流程。首先，利用YOLOv8网络在KTH数据集（可以是自定义数据集）上进行姿态估计，获取2D关节点数据。随后，将关节点数据转换为STGCN模型所需的kinectics格式。接着，根据实验需求调整STGCN模型的相关参数，进行模型的训练和测试。在训练阶段，模型学习动作特征；在测试阶段，评估模型性能。最后，通过可视化演示展示了模型在视频行为分类任务中的应用效果。整个过程涵盖了从数据获取、处理到模型训练、测试及应用的完整流程，为视频行为分类任务提供了一种有效的解决方案。
环境要求
python == 3.7.16
torch + cu116 == 1.13.1
torchaudio + cu116 == 0.13.1
torchvision + cu116 == 0.14.1
ultralytics == 8.0.145
stgcn
目录
环境要求
一、关节点骨架数据
1、yolov8姿态估计获取关节点数据
2、stgcn关节点数据格式处理
3、stgcn训练集和测试集数据标签汇总
二、基于stgcn的行为分类
1、相关文件代码修改
（1）修改label_name.txt
（2）增加layout
（3）修改train.yaml
2、stgcn模型训练
3、stgcn模型测试
4、demo可视化演示
（1）修改/tools/utils/video.py
（2）修改main.py，增加demo_kth
（3）新建./config/st_gcn/kth/demo_kth.yaml文件
（4）新建./processor/demo_kth.py文件（参考demo_old.py文件）
（5）终端运行命令