#python #machine-learning #anaconda
Вопрос:
Недавно я начал использовать DeepLabCut 2.2.0.1 (с последней версией github), запустив его в среде Anaconda3 на Win10. Я настроил его для работы с графическим процессором (кажется, все работает нормально), и я использую графический интерфейс deeplabcut для отслеживания нескольких животных (maDLC).
У меня есть видео (сверху) взаимодействия двух крыс, и я хочу, чтобы deeplabcut автоматически анализировал их личности и положение тела. После этого я хочу использовать обученную сеть с Симбой (https://github.com/sgoldenlab/simba) для автоматического аннотирования социальных взаимодействий крыс.
Я успешно провел сетевое обучение maDLC на одном из своих видеороликов о взаимодействии двух крыс (одна белая, другая темная), а затем успешно проанализировал то же видео, чтобы проверить отслеживание. Это явно все еще нуждается в некоторой доработке, и программное обеспечение deeplabcut поставляется с решением для этого. Однако именно здесь я и застрял.
Поэтому после обучения сети я проанализировал то же видео, которое использовал для обучения, а затем преобразовал его в треклеты.
В качестве выходных данных я получил различные файлы рассола.
Затем на вкладке «Доработка треклетов» я выполнил «Создание треков». В качестве вывода я получил файл …_el.h5.
Затем я хотел выполнить на той же вкладке функцию «Необязательно: Уточнение дорожек».
Однако это не удается с ошибкой.
(Пожалуйста, смотрите Ниже, где я вставил содержимое командного окна с «Шага 1: Анализ видео» и далее).
Не мог бы кто-нибудь любезно предложить, как это решить? Или я просто делаю что-то не так или что-то упускаю из виду?
Running DLC_dlcrnetms5_test4Sep1shuffle1_180000 with # of trainingiterations: 180000
Activating extracting of PAFs
Analyzing data...
40it [00:03, 10.29it/s]
Results for 180000 training iterations: 95, shuffle 1:
Train error: 4.98 pixels. Test error: 10.67 pixels.
With pcutoff of 0.6:
Train error: 4.98 pixels. Test error: 10.67 pixels.
##########################################
Average Euclidean distance to GT per individual (in pixels)
individuals
Stimulusrat 3.575547
Testrat 7.179212
Average Euclidean distance to GT per bodypart (in pixels)
bodyparts
leftear 5.785083
rightear 5.844563
shoulder 9.230907
snout 11.160438
spine1 4.743156
spine2 5.251940
spine3 2.800900
spine4 2.728229
tail1 3.021923
tail2 5.815999
tailbase 2.696431
tailend 2.645095
Done and results stored for snapshot: snapshot-180000
Selecting best skeleton...
Graph 1|10
40it [00:00, 791.65it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3957.17it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3311.79it/s]
Graph 2|10
40it [00:00, 566.04it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3956.42it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3310.09it/s]
Graph 3|10
40it [00:00, 440.04it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3958.94it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 4996.04it/s]
Graph 4|10
40it [00:00, 363.79it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 2557.89it/s]
100%|██████████████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<?, ?it/s]
Graph 5|10
40it [00:00, 344.96it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 2565.91it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 2560.55it/s]
Graph 6|10
40it [00:00, 290.59it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 2561.02it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 1703.22it/s]
Graph 7|10
40it [00:00, 242.64it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 4983.43it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3316.97it/s]
Graph 8|10
40it [00:00, 188.60it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3307.68it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3954.47it/s]
Graph 9|10
40it [00:00, 197.37it/s]
100%|████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<00:00, 3999.34it/s]
100%|██████████████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<?, ?it/s]
Graph 10|10
40it [00:00, 185.28it/s]
100%|██████████████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<?, ?it/s]
100%|██████████████████████████████████████████████████████████████████████████████████████████| 40/40 [00:00<?, ?it/s]
C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01/evaluation-results/ already exists!
C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01evaluation-resultsiteration-0test4Sep1-trainset95shuffle1 already exists!
C:ANACONDAAnaconda3envsDEEPLABCUTlibsite-packagestensorflowpythonkerasenginebase_layer_v1.py:1694: UserWarning: `layer.apply` is deprecated and will be removed in a future version. Please use `layer.__call__` method instead.
warnings.warn('`layer.apply` is deprecated and '
Activating extracting of PAFs
Analyzing data...
3it [00:00, 9.88it/s]
Saving plots...
C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01evaluation-resultsiteration-0test4Sep1-trainset95shuffle1maps already exists!
100%|████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:05<00:00, 1.77s/it]
Analyzing ...
Using snapshot-180000 for model C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01dlc-modelsiteration-0test4Sep1-trainset95shuffle1
Activating extracting of PAFs
Starting to analyze % C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01Gq-II_OTR-Cre_vlPAG_01_SI_salineshortcropped.avi
C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01 already exists!
Loading C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01Gq-II_OTR-Cre_vlPAG_01_SI_salineshortcropped.avi
Duration of video [s]: 60.0 , recorded with 25.0 fps!
Overall # of frames: 1500 found with (before cropping) frame dimensions: 266 286
Starting to extract posture
100%|██████████████████████████████████████████████████████████████████████████████| 1500/1500 [00:23<00:00, 63.06it/s]
Saving results in C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01...
The videos are analyzed. Time to assemble animals and track 'em...
Call 'create_video_with_all_detections' to check multi-animal detection quality before tracking.
If the tracking is not satisfactory for some videos, consider expanding the training set. You can use the function 'extract_outlier_frames' to extract a few representative outlier frames.
Creating labeled video for Gq-II_OTR-Cre_vlPAG_01_SI_salineshortcropped
100%|█████████████████████████████████████████████████████████████████████████████| 1500/1500 [00:06<00:00, 243.92it/s]
Using snapshot-180000 for model C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01dlc-modelsiteration-0test4Sep1-trainset95shuffle1
Processing... C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01Gq-II_OTR-Cre_vlPAG_01_SI_salineshortcropped.avi
C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01 already exists!
Analyzing C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01Gq-II_OTR-Cre_vlPAG_01_SI_salineshortcroppedDLC_dlcrnetms5_test4Sep1shuffle1_180000.h5
1500it [00:03, 436.39it/s]
1500it [00:04, 351.79it/s]
The tracklets were created. Now you can 'refine_tracklets'.
Processing... C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01Gq-II_OTR-Cre_vlPAG_01_SI_salineshortcropped.avi
C:ANACONDADATAANALYSISDeepLabCut-projectstest4-Quirin-2021-09-01 already exists!
100%|█████████████████████████████████████████████████████████████████████████████████| 50/50 [00:00<00:00, 500.37it/s]
C:ANACONDAAnaconda3envsDEEPLABCUTlibsite-packagesdeeplabcutrefine_training_datasetstitch.py:656: UserWarning: No optimal solution found. Employing black magic...
warnings.warn("No optimal solution found. Employing black magic...")
Traceback (most recent call last):
File "C:ANACONDAAnaconda3envsDEEPLABCUTlibsite-packagesdeeplabcutguirefine_tracklets.py", line 313, in refine_tracklets
self.manager, self.viz = deeplabcut.refine_tracklets(
File "C:ANACONDAAnaconda3envsDEEPLABCUTlibsite-packagesdeeplabcutguitracklet_toolbox.py", line 793, in refine_tracklets
manager.load_tracklets_from_hdf(pickle_or_h5_file)
File "C:ANACONDAAnaconda3envsDEEPLABCUTlibsite-packagesdeeplabcutrefine_training_datasettracklets.py", line 238, in load_tracklets_from_hdf
df = pd.read_hdf(filename)
File "C:ANACONDAAnaconda3envsDEEPLABCUTlibsite-packagespandasiopytables.py", line 427, in read_hdf
raise FileNotFoundError(f"File {path_or_buf} does not exist")
FileNotFoundError: File does not exist