# skating_finefs

**Repository Path**: kang9kang/skating_finefs

## Basic Information

- **Project Name**: skating_finefs
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-15
- **Last Updated**: 2026-03-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 花样滑冰动作分析

本项目使用深度学习模型（ST-GCN, InfoGCN, ViT）对花样滑冰运动员的骨架数据进行分析，旨在实现以下目标：
1.  **动作分类**：识别不同的跳跃类型（例如，4T, 3A）。
2.  **周数识别**：识别跳跃的旋转周数。
3.  **技术打分**：根据动作的执行情况预测技术得分。

## 环境与安装

本项目使用 `uv` 作为包管理器，以实现快速、可靠的环境设置。

### 1. 安装 uv

如果您尚未安装 `uv`，请在终端中运行以下命令：

```bash
# 对于 macOS 和 Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# 对于 Windows
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
```

### 2. 同步环境

安装 `uv` 后，进入项目根目录，并运行以下命令来创建虚拟环境并安装所有依赖项：

```bash
uv sync
```

此命令会读取 `pyproject.toml` 文件，并安装所有必需的包。

## 数据准备

在开始训练之前，您需要运行数据处理脚本来生成清洗和格式化后的标注文件。这些文件将被保存在 `data/annotation_prued/` 目录下，是模型训练的直接输入。

运行以下命令来生成数据：
```bash
uv run src/utils/generate.py
```
此脚本会读取 `data/annotation/` 中的原始标注，并生成训练所需的 `.json` 文件。

## 如何训练

**确保您已经完成了上面的“数据准备”步骤。**

您可以通过指定不同的配置文件来训练不同的模型和任务。所有训练脚本都在 `src/` 目录下。

`uv run` 命令会自动在项目的虚拟环境中执行脚本，因此您**无需**手动激活虚拟环境。

### 训练示例

#### 1. ST-GCN 模型

*   **训练跳跃类型分类模型**：
    ```bash
    uv run src/train_stgcn.py --config configs/stgcn.toml
    ```

*   **训练跳跃周数分类模型**：
    ```bash
    uv run src/train_stgcn.py --config configs/stgcn_reps.toml
    ```

*   **训练技术分数回归模型**：
    ```bash
    uv run src/train_stgcn_score.py --config configs/stgcn_score.toml
    ```

#### 2. InfoGCN 模型

*   **训练跳跃类型分类模型**：
    ```bash
    uv run src/train_infogcn.py --config configs/infogcn.toml
    ```

*   **训练跳跃周数分类模型**：
    ```bash
    uv run src/train_infogcn.py --config configs/infogcn_reps.toml
    ```

*   **训练技术分数回归模型**：
    ```bash
    uv run src/train_infogcn_score.py --config configs/infogcn_score.toml
    ```

#### 3. ViT (Vision Transformer) 模型

*   **训练跳跃类型分类模型**：
    ```bash
    uv run src/train_vit.py --config configs/vit.toml
    ```

*   **训练跳跃周数分类模型**：
    ```bash
    uv run src/train_vit.py --config configs/vit_reps.toml
    ```

*   **训练技术分数回归模型**：
    ```bash
    uv run src/train_vit_score.py --config configs/vit_score.toml
    ```

训练过程中，最佳模型和对应的配置文件将保存在 `checkpoints_*` 目录下。

## 实验结果 (Results)

以下是在验证集上取得的最佳性能摘要。请注意，这些是示例值，您需要用自己训练得到的实际结果替换它们。

| 模型 (Model) | 任务 (Task) | 评估指标 (Metric) | 最佳表现 (Best Performance) |
| :--- | :--- | :--- | :--- |
| **ST-GCN** | 跳跃类型分类 | 准确率 (Accuracy) | `36.9%` |
| **InfoGCN** | 跳跃类型分类 | 准确率 (Accuracy) | `40.3%` |
| **ViT** | 跳跃类型分类 | 准确率 (Accuracy) | `79.6%` |
| **ST-GCN** | 跳跃周数分类 | 准确率 (Accuracy) | `60.3%` |
| **InfoGCN** | 跳跃周数分类 | 准确率 (Accuracy) | `60.9%` |
| **ViT** | 跳跃周数分类 | 准确率 (Accuracy) | `78.1%` |
| **ST-GCN** | 技术分数回归 | 相关系数 (Corr) | `0.16` |
| **InfoGCN** | 技术分数回归 | 相关系数 (Corr) | `0.20` |
| **ViT** | 技术分数回归 | 相关系数 (Corr) | `0.44` |

## 项目结构

```
.
├── configs/              # 存放所有训练的配置文件 (.toml)
├── data/                 # 存放原始数据
│   ├── skeleton/         # 骨架数据 (.npz)
│   ├── annotation/       # 原始标注数据 (.json)
│   └── annotation_prued/ # 清洗后的标注数据 (.json)
├── checkpoints_*/        # 存放训练好的模型权重和配置
├── src/                  # 存放所有 Python 源代码
│   ├── dataset.py        # 数据集加载和预处理
│   ├── stgcn.py          # ST-GCN 模型定义
│   ├── infogcn.py        # InfoGCN 模型定义
│   ├── vit.py            # ViT 模型定义
│   ├── train_stgcn.py    # ST-GCN 分类训练脚本
│   ├── train_infogcn.py  # InfoGCN 分类训练脚本
│   ├── train_vit.py      # ViT 分类训练脚本
│   ├── train_stgcn_score.py # ST-GCN 回归训练脚本
│   ├── train_infogcn_score.py # InfoGCN 回归训练脚本
│   ├── train_vit_score.py   # ViT 回归训练脚本
│   └── utils/            # 辅助工具模块
│       ├── element.py    # 元素定义
│       └── generate.py   # 数据生成/处理脚本
├── pyproject.toml        # 项目配置文件和依赖项
└── README.md             # 项目说明
```