HD-GCN 项目使用教程

1. 项目目录结构及介绍

HD-GCN 项目的目录结构如下：

HD-GCN/
├── config/
│   ├── ntu120-cross-subject/
│   ├── ntu60-cross-subject/
│   └── ...
├── data/
│   ├── NW-UCLA/
│   ├── ntu/
│   └── ...
├── feeders/
├── figures/
├── graph/
├── model/
├── torchlight/
├── LICENSE
├── README.md
├── ensemble.py
├── main.py
├── run_ensemble.sh
└── ...

目录结构介绍

• config/: 包含项目的配置文件，根据不同的数据集和任务类型进行分类。
  • ntu120-cross-subject/: 针对 NTU RGB+D 120 数据集的交叉主题配置文件。
  • ntu60-cross-subject/: 针对 NTU RGB+D 60 数据集的交叉主题配置文件。
• data/: 存放数据集的目录，包括 NTU RGB+D 60、NTU RGB+D 120 和 NW-UCLA 数据集。
  • NW-UCLA/: NW-UCLA 数据集的存放目录。
  • ntu/: NTU RGB+D 数据集的存放目录。
• feeders/: 数据加载和预处理的脚本。
• figures/: 存放项目中使用的图表和图片。
• graph/: 与图相关的脚本和工具。
• model/: 存放模型的定义和实现。
• torchlight/: 自定义的 PyTorch 工具和实用程序。
• LICENSE: 项目的开源许可证文件。
• README.md: 项目的介绍和使用说明。
• ensemble.py: 用于模型集成和结果合并的脚本。
• main.py: 项目的启动文件，用于训练和测试模型。
• run_ensemble.sh: 用于运行模型集成任务的 shell 脚本。

2. 项目的启动文件介绍

main.py

main.py 是 HD-GCN 项目的主要启动文件，负责模型的训练和测试。以下是该文件的主要功能和使用方法：

主要功能

• 训练模型: 通过指定配置文件和设备，启动模型的训练过程。
• 测试模型: 加载预训练模型并进行测试，生成测试结果。

使用方法

python main.py --config /path/to/config.yaml --device 0

• --config: 指定配置文件的路径。
• --device: 指定使用的 GPU 设备编号。

3. 项目的配置文件介绍

配置文件结构

配置文件通常位于 config/ 目录下，根据不同的数据集和任务类型进行分类。以下是一个典型的配置文件结构示例：

# 示例配置文件
dataset: NTU-RGB+D 60
cross_subject: True
model:
  type: HD-GCN
  parameters:
    ...
training:
  batch_size: 32
  epochs: 100
  learning_rate: 0.001
  ...

配置文件参数说明

• dataset: 指定使用的数据集，如 NTU-RGB+D 60 或 NTU-RGB+D 120。
• cross_subject: 是否使用交叉主题设置。
• model: 定义模型的类型和参数。
  • type: 模型类型，如 HD-GCN。
  • parameters: 模型的具体参数设置。
• training: 训练相关的参数设置。
  • batch_size: 批处理大小。
  • epochs: 训练轮数。
  • learning_rate: 学习率。

通过配置文件，用户可以灵活地调整模型的训练和测试参数，以适应不同的任务需求。