DeepLabCut多动物姿态追踪项目使用指南

项目概述

DeepLabCut（DLC）是一个基于深度学习的开源工具包，用于动物姿态估计与行为分析。多动物模式（maDLC）是该工具包的重要扩展功能，能够同时追踪多个动物的身体关键点，特别适用于群体行为研究场景。

核心工作流程

maDLC的工作流程可分为四个关键阶段：

1. 数据标注阶段：构建能够训练物体/动物追踪模型的高质量标注数据集
2. 姿态估计模型训练：创建高精度的姿态估计深度学习模型
3. 时空追踪：将检测到的身体部位组装到特定个体，并在时间维度上进行关联
4. 后处理分析：对输出数据进行各种后续处理和分析

环境配置

安装建议

• 基础安装（无GUI支持）：pip install 'deeplabcut[tf]'
• 完整安装（含GUI支持）：pip install 'deeplabcut[tf,gui]'
• Apple M1/M2芯片设备：使用pip install 'deeplabcut[apple_mchips]'或pip install 'deeplabcut[apple_mchips,gui]'

项目创建与配置

创建新项目

deeplabcut.create_new_project(
    '项目名称',
    '您的姓名', 
    ['视频1路径', '视频2路径', '视频3路径'],
    copy_videos=True, 
    multianimal=True
)

项目目录结构说明：

• dlc-models：存储模型配置文件和训练检查点
• labeled-data：存放标注用的帧图像
• training-datasets：训练数据集和元数据
• videos：视频文件或链接

配置文件关键参数

必须修改config.yaml文件中的以下参数：

individuals:
- 个体1
- 个体2
- 个体3

uniquebodyparts:
- 唯一物体1
- 唯一物体2

multianimalbodyparts:
- 鼻子
- 左耳
- 右耳
- 尾基

identity: True/False

参数说明：

• individuals：标注数据集中个体的名称列表
• identity：设置为True表示个体可区分（如有标记特征）
• multianimalbodyparts：每个个体共有的身体部位
• uniquebodyparts：每帧中唯一的物体或标记点

数据准备与标注

帧提取策略

deeplabcut.extract_frames(
    config_path, 
    mode='automatic/manual', 
    algo='uniform/kmeans', 
    userfeedback=False, 
    crop=True/False
)

提取建议：

1. 确保包含动物密切互动的关键帧
2. 保持帧尺寸适中以提高训练效率
3. 对于稀疏行为，建议手动选择关键帧

标注注意事项

使用deeplabcut.label_frames(config_path)启动标注工具：

• 右键点击添加标签
• 左键拖动调整位置
• 中键或Delete键删除标签
• 使用键盘方向键导航帧

重要提示：必须标注所有个体在每帧中的所有指定身体部位，即使部分部位不可见也应跳过而非忽略。

模型训练与评估

训练数据建议

1. 训练集应涵盖行为多样性：

   • 不同光照条件
   • 不同背景环境
   • 不同个体表现
   • 各种交互状态

2. 对于典型实验室行为，100-200个标注帧通常足够

3. 对于复杂交互场景，可能需要更多标注数据

性能评估要点

1. 先专注于姿态估计性能评估
2. 仅当姿态估计准确度高时，才进入追踪阶段
3. 可使用验证集定期评估模型表现

追踪与后处理

追踪流程特点

1. 先在空间维度上将身体部位组装到个体
2. 后在时间维度上进行轨迹关联
3. 包含局部追踪和全局轨迹拼接两个阶段

结果分析建议

1. 可视化检查关键点追踪效果
2. 分析个体间交互模式
3. 导出数据供进一步统计分析

最佳实践建议

1. 数据质量：确保训练数据包含各种交互场景
2. 标注一致性：同一个体在不同帧中保持相同ID
3. 模型验证：使用独立测试集评估追踪性能
4. 参数调优：根据具体场景调整追踪参数
5. 硬件配置：使用GPU加速训练和推理过程

通过遵循本指南，研究人员可以充分利用DeepLabCut多动物模式进行复杂的群体行为分析，获得精确的个体姿态和交互数据。