Anomalib 视频异常检测数据模块详解Avenue、ShanghaiTech 与 UCSDped 的配置、数据准备与切帧原理【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib视频异常检测依赖时序片段clip而非单帧图像因此数据加载、切帧与真值对齐方式都和图片数据集不同。本文基于 Anomalib 官方参考文档 video datamodules 页面 及其对应源码系统讲解Avenue、ShanghaiTech、UCSDped三个视频数据集模块的完整参数、数据自动准备流程、基于 YAML 配置的实例化方式以及底层AnomalibVideoDataset的切帧与真值选取机制帮助读者直接上手用 Anomalib 训练视频异常检测模型。一、视频数据模块总览统一接口与继承体系Anomalib 的视频数据模块Video Datamodules为视频异常检测数据集提供标准化的加载与处理接口覆盖训练与推理两个阶段。当前版本见 src/anomalib/data/datamodules/video/init.py提供以下三个数据模块数据模块对应数据集说明AvenueCUHK Avenue校园场景视频异常事件检测支持自动下载与.mat掩码转换ShanghaiTechShanghaiTech Campus按场景scene 1–13划分需手动下载训练视频自动转码UCSDpedUCSD Pedestrian行人监控视频异常定义为车辆、自行车等非行人实体三者均可从顶层包直接导入from anomalib.data import Avenue, ShanghaiTech, UCSDped这一导出关系由 src/anomalib/data/init.py 中的from .datamodules.video import Avenue, ShanghaiTech, UCSDped, VideoDataFormat完成且三个类都包含在__all__中。1.1 基类 AnomalibVideoDataModule三个模块共同继承自 AnomalibVideoDataModule该类进一步继承图片数据模块基类AnomalibDataModulePyTorch LightningLightningDataModule的封装。从源码结构看视频基类做了两处关键约束不支持动态测试集划分_create_test_split是空实现注释说明视频数据集由于帧间时序依赖通常自带固定的 train/test 划分因此不做动态重分配不支持合成异常生成在_setup中若val_split_mode ValSplitMode.SYNTHETIC会直接抛出ValueError。这意味着视频模块的验证集只能通过与测试集同源SAME_AS_TEST或从测试集切分FROM_TEST示例配置中使用等方式获得不能像部分图片数据集那样合成异常样本。二、三个视频数据模块逐一解析2.1 AvenueCUHK Avenue源码见 src/anomalib/data/datamodules/video/avenue.py。构造参数与默认值如下参数默认值说明root./datasets/avenue数据集根目录会经resolve_dataset_root解析gt_dir./datasets/avenue/ground_truth_demo真值标注目录clip_length_in_frames2每个 clip 的帧数frames_between_clips1相邻 clip 之间的间隔帧数target_frameVideoTargetFrame.LASTclip 中取真值的帧位置train_batch_size/eval_batch_size32/32训练/评估批大小num_workers8数据加载进程数train_augmentations/val_augmentations/test_augmentations/augmentationsNonetorchvision v2Transformstage 级增强优先augmentations作为兜底val_split_modeValSplitMode.SAME_AS_TEST验证集构造方式val_split_ratio0.5保留作验证的比例seedNone可复现性随机种子数据集目录结构准备完成后在源码 docstring 中有明确定义root/ ├── ground_truth_demo/ │ ├── ground_truth_show.m │ ├── Readme.txt │ ├── testing_label_mask/ │ └── testing_videos/ ├── testing_videos/ │ └── 21.avi ... ├── testing_vol/ │ └── vol21.mat ... ├── training_videos/ │ └── 16.avi ... └── training_vol/ └── vol16.mat ...Avenue 的突出特性是全自动数据准备prepare_data会检查root是否存在若不存在则调用download_and_extract下载数据集压缩包与标注压缩包源码中内嵌了 URL 与 SHA256 校验和见DATASET_DOWNLOAD_INFO/ANNOTATIONS_DOWNLOAD_INFO解压后将内层目录内容平移到root与gt_dir下随后执行_convert_masks用scipy.io.loadmat读取testing_label_mask/*.mat中的volLabel数组逐帧写出为编号补零的.png掩码文件cv2.imwrite。这一预转换的目的是避免训练时反复解析 MATLAB 文件显著加快数据加载。许可证方面源码明确标注 CUHK Avenue 数据集仅用于学术研究academic research only。2.2 ShanghaiTechShanghaiTech Campus源码见 src/anomalib/data/datamodules/video/shanghaitech.py。在 Avenue 的参数集基础上额外提供scene: int 1参数取值范围[1, 13]用于选择数据集的某个场景子集。默认值差异root默认./datasets/shanghaitechtrain_batch_size/eval_batch_size默认32/32。与 Avenue 不同ShanghaiTech必须手动下载源码注释说明原作者托管的自动镜像已不可用。prepare_data的行为是检查root/training目录若不存在则抛出RuntimeError异常信息即get_download_instructions生成的分步指引——访问官方项目页面、通过页面提供的网盘链接下载、解压到指定root_path且要求training/与testing/为root的直接子目录若压缩包带顶层目录需移入若数据集已就位则比较training/videos与training/converted_videos的文件数量不一致时调用_convert_training_videos转码。转码逻辑值得注意原始训练视频的编码会导致 pyav 读取帧出现异常因此源码用 OpenCV 逐帧读取后以XVID编码重写为新视频anomalib.data.utils.video.convert_video写入converted_videos/目录从而保证后续 pyav 路径可以正确按帧解析。准备完成后的目录结构root/ ├── testing/ │ ├── frames/ │ ├── test_frame_mask/ │ └── test_pixel_mask/ └── training/ ├── frames/ ├── converted_videos/ └── videos/2.3 UCSDpedUCSD Pedestrian源码见 src/anomalib/data/datamodules/video/ucsd_ped.py。该数据集是行人监控视频集合异常被定义为车辆、自行车等非行人实体。参数与默认值参数默认值说明root./datasets/ucsd数据集根目录categoryUCSDped2子集仅允许UCSDped1或UCSDped2clip_length_in_frames2每 clip 帧数frames_between_clips10clip 间隔帧数注意比 Avenue/ShanghaiTech 的默认值 1 大得多train_batch_size/eval_batch_size8/8批大小默认小于另外两个数据集其余参数同前target_frame、num_workers、增强、验证划分、种子等一致prepare_data与 Avenue 类似支持自动下载以root/category目录是否存在作为已就位判据否则下载并解压官方 tar.gz 包内嵌 SHA256 校验再把解压出的UCSD_Anomaly_Dataset.v1p2目录内容平移到root下。三、核心通用参数与切帧机制3.1 clip 参数clip_length_in_frames与frames_between_clips视频数据集并非按整段视频而是按clip取样。两者含义在 Avenue 的 docstring 中定义明确dataloader 返回的每个样本包含clip_length_in_frames帧连续画面frames_between_clips决定相邻 clip 之间的帧间隔0 表示逐帧滑窗值越大则采样越稀疏、clip 间重叠越少。底层的 clip 索引由ClipsIndexeranomalib.data.utils.video完成。基类 AnomalibVideoDataset 中samplesDataFrame被设置后会触发_setup_clips用indexer_cls以样本的视频路径、掩码路径、clip 长度与间隔重建索引器__len__返回indexer.num_clips()即数据集长度是 clip 数而非视频数或帧数__getitem__从indexer.get_item(index)取出帧经to_dtype_video(video..., scaleTrue)归一化为浮点张量并额外保存一份未增强的original_imageuint8用于结果可视化。3.2 真值帧选取VideoTargetFrame与_select_targetstarget_frame决定多帧 clip 中哪一帧负责提供真值枚举定义在 src/anomalib/data/datasets/base/video.pyVideoTargetFrame.FIRST取 clip 首帧VideoTargetFrame.LAST取 clip 末帧各数据集默认值VideoTargetFrame.MID取中间帧clip_length_in_frames / 2VideoTargetFrame.ALL保留全部帧的真值。对应实现在_select_targets按索引对gt_mask、gt_label、original_image、frames做切片。源码中的调用条件是clip_length_in_frames 1 and target_frame ! ALL即单帧 clip 无需选取当target_frame非法不在枚举中时抛出ValueError。另外逐帧标签gt_label由掩码推导item.gt_label torch.tensor([1 in frame for frame in item.gt_mask]).int().squeeze(0)即该帧掩码中是否存在异常像素的 0/1 序列供 clip 级异常分类使用。3.3 增强与批格式增强接口采用 torchvision v2 的Transform且对图像-掩码对联合增强self.augmentations(item.image, Mask(item.gt_mask))保证掩码与图像变换一致。stage 级参数train_augmentations/val_augmentations/test_augmentations优先于通用augmentations。批次由VideoBatch.collate拼装见 src/anomalib/data/dataclasses当 clip 长度为 1 时item.image会squeeze(0)去掉时间维。四、基于配置文件实例化数据模块除 Python API 外Anomalib 支持用 YAML 配置驱动数据模块。get_datamodulesrc/anomalib/data/init.py读取data.class_path取最后一段类名从anomalib.data模块动态解析类再用init_args实例化找不到类时抛出UnknownDatamoduleError并打印可用子类列表。若init_args中含image_size会自动转成元组。仓库examples/configs/data/下提供了三个视频数据集的现成配置可直接配合 pipeline 使用examples/configs/data/ucsd_ped.yamlclass_path: anomalib.data.UCSDped init_args: root: ./datasets/ucsd category: UCSDped2 clip_length_in_frames: 2 frames_between_clips: 10 target_frame: LAST train_batch_size: 8 eval_batch_size: 1 num_workers: 8 val_split_mode: FROM_TEST val_split_ratio: 0.5 seed: nullexamples/configs/data/avenue.yamlclass_path: anomalib.data.Avenue init_args: root: ./datasets/avenue gt_dir: ./datasets/avenue/masks clip_length_in_frames: 1 frames_between_clips: 1 target_frame: last train_batch_size: 32 eval_batch_size: 32 num_workers: 8 val_split_mode: from_test val_split_ratio: 0.5 seed: nullexamples/configs/data/shanghaitech.yamlclass_path: anomalib.data.ShanghaiTech init_args: root: ./datasets/shanghaitech scene: 1 clip_length_in_frames: 1 frames_between_clips: 1 target_frame: LAST train_batch_size: 32 eval_batch_size: 32 num_workers: 8 val_split_mode: FROM_TEST val_split_ratio: 0.5 seed: null可见示例配置普遍采用clip_length_in_frames: 1单帧模式此时target_frame不起切片作用配合FROM_TEST验证划分而代码默认参数Avenue/ShanghaiTech 的 2 帧 clip则对应多帧模型场景。两种用法都合法按所用视频模型的时序建模需求选择即可。等价的 Python 直接实例化方式取自源码 docstring 示例from anomalib.data import Avenue datamodule Avenue( root./datasets/avenue, clip_length_in_frames2, frames_between_clips1, target_framelast, ) datamodule.setup() i, data next(enumerate(datamodule.train_dataloader())) data.keys() # dict_keys([image, video_path, frames, last_frame, original_image])五、Dataloader 输出与下游使用setup()后每个视频模块提供标准的train_dataloader()/val_dataloader()/test_dataloader()UCSDped 的 docstring 示例即展示了这三个加载器的获取方式。训练集与测试集分别由对应的 Dataset 实现构建AvenueDataset、ShanghaiTechDataset、UCSDpedDataset见 src/anomalib/data/datasets/video 目录均通过Split.TRAIN/Split.TEST区分例如 Avenue 在_setup中即按 train/test 各实例化一次AvenueDataset并传入相同的 clip 与真值参数。从 docstring 给出的样本键看Avenue 样本含imageclip 张量、video_path、frames、last_frame、original_imageShanghaiTech 样本含image、video_path、frames、label。当clip_length_in_frames2、train_batch_size32、输入被缩放为 256×256 时data[image].shape为torch.Size([32, 2, 3, 256, 256])Avenue docstring 中的示例输出。这些字段与VideoItem/VideoBatch数据类一一对应可直接接入 Anomalib 的视频异常检测模型与 pipeline如基准 benchmark pipeline。六、注意事项与限制小结验证划分限制视频模块不支持ValSplitMode.SYNTHETIC_setup中抛错也不做动态测试集划分示例配置采用FROM_TEST按比例从测试集切验证。数据获取方式差异Avenue 与 UCSDped 可全自动下载内置 SHA256 校验ShanghaiTech 必须手动从官方页面下载并按异常提示整理目录之后训练视频会在首次准备时自动转码到converted_videos/。默认参数不统一frames_between_clipsUCSDped 为 10其余为 1、train_batch_sizeUCSDped 为 8其余为 32在三个模块间不同跨数据集迁移配置时建议显式检查这些默认值。授权限制Avenue 仅限学术研究用途使用前请确认自身使用场景符合数据集许可ShanghaiTech 以 BSD 2-Clause 协议发布见各数据模块源码的 License 注释。单元测试参考视频数据模块的测试位于 tests/unit/data/datamodule/video 目录可作为参数行为与边界条件的参考实现。参考文件索引官方参考文档docs/source/markdown/guides/reference/data/datamodules/video.md视频数据模块实现src/anomalib/data/datamodules/video/avenue.py、src/anomalib/data/datamodules/video/shanghaitech.py、src/anomalib/data/datamodules/video/ucsd_ped.py基类src/anomalib/data/datamodules/base/video.py、src/anomalib/data/datasets/base/video.py配置示例examples/configs/data/avenue.yaml、examples/configs/data/shanghaitech.yaml、examples/configs/data/ucsd_ped.yaml【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Anomalib 视频异常检测数据模块详解：Avenue、ShanghaiTech 与 UCSDped 的配置、数据准备与切帧原理
Anomalib 视频异常检测数据模块详解Avenue、ShanghaiTech 与 UCSDped 的配置、数据准备与切帧原理【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib视频异常检测依赖时序片段clip而非单帧图像因此数据加载、切帧与真值对齐方式都和图片数据集不同。本文基于 Anomalib 官方参考文档 video datamodules 页面 及其对应源码系统讲解Avenue、ShanghaiTech、UCSDped三个视频数据集模块的完整参数、数据自动准备流程、基于 YAML 配置的实例化方式以及底层AnomalibVideoDataset的切帧与真值选取机制帮助读者直接上手用 Anomalib 训练视频异常检测模型。一、视频数据模块总览统一接口与继承体系Anomalib 的视频数据模块Video Datamodules为视频异常检测数据集提供标准化的加载与处理接口覆盖训练与推理两个阶段。当前版本见 src/anomalib/data/datamodules/video/init.py提供以下三个数据模块数据模块对应数据集说明AvenueCUHK Avenue校园场景视频异常事件检测支持自动下载与.mat掩码转换ShanghaiTechShanghaiTech Campus按场景scene 1–13划分需手动下载训练视频自动转码UCSDpedUCSD Pedestrian行人监控视频异常定义为车辆、自行车等非行人实体三者均可从顶层包直接导入from anomalib.data import Avenue, ShanghaiTech, UCSDped这一导出关系由 src/anomalib/data/init.py 中的from .datamodules.video import Avenue, ShanghaiTech, UCSDped, VideoDataFormat完成且三个类都包含在__all__中。1.1 基类 AnomalibVideoDataModule三个模块共同继承自 AnomalibVideoDataModule该类进一步继承图片数据模块基类AnomalibDataModulePyTorch LightningLightningDataModule的封装。从源码结构看视频基类做了两处关键约束不支持动态测试集划分_create_test_split是空实现注释说明视频数据集由于帧间时序依赖通常自带固定的 train/test 划分因此不做动态重分配不支持合成异常生成在_setup中若val_split_mode ValSplitMode.SYNTHETIC会直接抛出ValueError。这意味着视频模块的验证集只能通过与测试集同源SAME_AS_TEST或从测试集切分FROM_TEST示例配置中使用等方式获得不能像部分图片数据集那样合成异常样本。二、三个视频数据模块逐一解析2.1 AvenueCUHK Avenue源码见 src/anomalib/data/datamodules/video/avenue.py。构造参数与默认值如下参数默认值说明root./datasets/avenue数据集根目录会经resolve_dataset_root解析gt_dir./datasets/avenue/ground_truth_demo真值标注目录clip_length_in_frames2每个 clip 的帧数frames_between_clips1相邻 clip 之间的间隔帧数target_frameVideoTargetFrame.LASTclip 中取真值的帧位置train_batch_size/eval_batch_size32/32训练/评估批大小num_workers8数据加载进程数train_augmentations/val_augmentations/test_augmentations/augmentationsNonetorchvision v2Transformstage 级增强优先augmentations作为兜底val_split_modeValSplitMode.SAME_AS_TEST验证集构造方式val_split_ratio0.5保留作验证的比例seedNone可复现性随机种子数据集目录结构准备完成后在源码 docstring 中有明确定义root/ ├── ground_truth_demo/ │ ├── ground_truth_show.m │ ├── Readme.txt │ ├── testing_label_mask/ │ └── testing_videos/ ├── testing_videos/ │ └── 21.avi ... ├── testing_vol/ │ └── vol21.mat ... ├── training_videos/ │ └── 16.avi ... └── training_vol/ └── vol16.mat ...Avenue 的突出特性是全自动数据准备prepare_data会检查root是否存在若不存在则调用download_and_extract下载数据集压缩包与标注压缩包源码中内嵌了 URL 与 SHA256 校验和见DATASET_DOWNLOAD_INFO/ANNOTATIONS_DOWNLOAD_INFO解压后将内层目录内容平移到root与gt_dir下随后执行_convert_masks用scipy.io.loadmat读取testing_label_mask/*.mat中的volLabel数组逐帧写出为编号补零的.png掩码文件cv2.imwrite。这一预转换的目的是避免训练时反复解析 MATLAB 文件显著加快数据加载。许可证方面源码明确标注 CUHK Avenue 数据集仅用于学术研究academic research only。2.2 ShanghaiTechShanghaiTech Campus源码见 src/anomalib/data/datamodules/video/shanghaitech.py。在 Avenue 的参数集基础上额外提供scene: int 1参数取值范围[1, 13]用于选择数据集的某个场景子集。默认值差异root默认./datasets/shanghaitechtrain_batch_size/eval_batch_size默认32/32。与 Avenue 不同ShanghaiTech必须手动下载源码注释说明原作者托管的自动镜像已不可用。prepare_data的行为是检查root/training目录若不存在则抛出RuntimeError异常信息即get_download_instructions生成的分步指引——访问官方项目页面、通过页面提供的网盘链接下载、解压到指定root_path且要求training/与testing/为root的直接子目录若压缩包带顶层目录需移入若数据集已就位则比较training/videos与training/converted_videos的文件数量不一致时调用_convert_training_videos转码。转码逻辑值得注意原始训练视频的编码会导致 pyav 读取帧出现异常因此源码用 OpenCV 逐帧读取后以XVID编码重写为新视频anomalib.data.utils.video.convert_video写入converted_videos/目录从而保证后续 pyav 路径可以正确按帧解析。准备完成后的目录结构root/ ├── testing/ │ ├── frames/ │ ├── test_frame_mask/ │ └── test_pixel_mask/ └── training/ ├── frames/ ├── converted_videos/ └── videos/2.3 UCSDpedUCSD Pedestrian源码见 src/anomalib/data/datamodules/video/ucsd_ped.py。该数据集是行人监控视频集合异常被定义为车辆、自行车等非行人实体。参数与默认值参数默认值说明root./datasets/ucsd数据集根目录categoryUCSDped2子集仅允许UCSDped1或UCSDped2clip_length_in_frames2每 clip 帧数frames_between_clips10clip 间隔帧数注意比 Avenue/ShanghaiTech 的默认值 1 大得多train_batch_size/eval_batch_size8/8批大小默认小于另外两个数据集其余参数同前target_frame、num_workers、增强、验证划分、种子等一致prepare_data与 Avenue 类似支持自动下载以root/category目录是否存在作为已就位判据否则下载并解压官方 tar.gz 包内嵌 SHA256 校验再把解压出的UCSD_Anomaly_Dataset.v1p2目录内容平移到root下。三、核心通用参数与切帧机制3.1 clip 参数clip_length_in_frames与frames_between_clips视频数据集并非按整段视频而是按clip取样。两者含义在 Avenue 的 docstring 中定义明确dataloader 返回的每个样本包含clip_length_in_frames帧连续画面frames_between_clips决定相邻 clip 之间的帧间隔0 表示逐帧滑窗值越大则采样越稀疏、clip 间重叠越少。底层的 clip 索引由ClipsIndexeranomalib.data.utils.video完成。基类 AnomalibVideoDataset 中samplesDataFrame被设置后会触发_setup_clips用indexer_cls以样本的视频路径、掩码路径、clip 长度与间隔重建索引器__len__返回indexer.num_clips()即数据集长度是 clip 数而非视频数或帧数__getitem__从indexer.get_item(index)取出帧经to_dtype_video(video..., scaleTrue)归一化为浮点张量并额外保存一份未增强的original_imageuint8用于结果可视化。3.2 真值帧选取VideoTargetFrame与_select_targetstarget_frame决定多帧 clip 中哪一帧负责提供真值枚举定义在 src/anomalib/data/datasets/base/video.pyVideoTargetFrame.FIRST取 clip 首帧VideoTargetFrame.LAST取 clip 末帧各数据集默认值VideoTargetFrame.MID取中间帧clip_length_in_frames / 2VideoTargetFrame.ALL保留全部帧的真值。对应实现在_select_targets按索引对gt_mask、gt_label、original_image、frames做切片。源码中的调用条件是clip_length_in_frames 1 and target_frame ! ALL即单帧 clip 无需选取当target_frame非法不在枚举中时抛出ValueError。另外逐帧标签gt_label由掩码推导item.gt_label torch.tensor([1 in frame for frame in item.gt_mask]).int().squeeze(0)即该帧掩码中是否存在异常像素的 0/1 序列供 clip 级异常分类使用。3.3 增强与批格式增强接口采用 torchvision v2 的Transform且对图像-掩码对联合增强self.augmentations(item.image, Mask(item.gt_mask))保证掩码与图像变换一致。stage 级参数train_augmentations/val_augmentations/test_augmentations优先于通用augmentations。批次由VideoBatch.collate拼装见 src/anomalib/data/dataclasses当 clip 长度为 1 时item.image会squeeze(0)去掉时间维。四、基于配置文件实例化数据模块除 Python API 外Anomalib 支持用 YAML 配置驱动数据模块。get_datamodulesrc/anomalib/data/init.py读取data.class_path取最后一段类名从anomalib.data模块动态解析类再用init_args实例化找不到类时抛出UnknownDatamoduleError并打印可用子类列表。若init_args中含image_size会自动转成元组。仓库examples/configs/data/下提供了三个视频数据集的现成配置可直接配合 pipeline 使用examples/configs/data/ucsd_ped.yamlclass_path: anomalib.data.UCSDped init_args: root: ./datasets/ucsd category: UCSDped2 clip_length_in_frames: 2 frames_between_clips: 10 target_frame: LAST train_batch_size: 8 eval_batch_size: 1 num_workers: 8 val_split_mode: FROM_TEST val_split_ratio: 0.5 seed: nullexamples/configs/data/avenue.yamlclass_path: anomalib.data.Avenue init_args: root: ./datasets/avenue gt_dir: ./datasets/avenue/masks clip_length_in_frames: 1 frames_between_clips: 1 target_frame: last train_batch_size: 32 eval_batch_size: 32 num_workers: 8 val_split_mode: from_test val_split_ratio: 0.5 seed: nullexamples/configs/data/shanghaitech.yamlclass_path: anomalib.data.ShanghaiTech init_args: root: ./datasets/shanghaitech scene: 1 clip_length_in_frames: 1 frames_between_clips: 1 target_frame: LAST train_batch_size: 32 eval_batch_size: 32 num_workers: 8 val_split_mode: FROM_TEST val_split_ratio: 0.5 seed: null可见示例配置普遍采用clip_length_in_frames: 1单帧模式此时target_frame不起切片作用配合FROM_TEST验证划分而代码默认参数Avenue/ShanghaiTech 的 2 帧 clip则对应多帧模型场景。两种用法都合法按所用视频模型的时序建模需求选择即可。等价的 Python 直接实例化方式取自源码 docstring 示例from anomalib.data import Avenue datamodule Avenue( root./datasets/avenue, clip_length_in_frames2, frames_between_clips1, target_framelast, ) datamodule.setup() i, data next(enumerate(datamodule.train_dataloader())) data.keys() # dict_keys([image, video_path, frames, last_frame, original_image])五、Dataloader 输出与下游使用setup()后每个视频模块提供标准的train_dataloader()/val_dataloader()/test_dataloader()UCSDped 的 docstring 示例即展示了这三个加载器的获取方式。训练集与测试集分别由对应的 Dataset 实现构建AvenueDataset、ShanghaiTechDataset、UCSDpedDataset见 src/anomalib/data/datasets/video 目录均通过Split.TRAIN/Split.TEST区分例如 Avenue 在_setup中即按 train/test 各实例化一次AvenueDataset并传入相同的 clip 与真值参数。从 docstring 给出的样本键看Avenue 样本含imageclip 张量、video_path、frames、last_frame、original_imageShanghaiTech 样本含image、video_path、frames、label。当clip_length_in_frames2、train_batch_size32、输入被缩放为 256×256 时data[image].shape为torch.Size([32, 2, 3, 256, 256])Avenue docstring 中的示例输出。这些字段与VideoItem/VideoBatch数据类一一对应可直接接入 Anomalib 的视频异常检测模型与 pipeline如基准 benchmark pipeline。六、注意事项与限制小结验证划分限制视频模块不支持ValSplitMode.SYNTHETIC_setup中抛错也不做动态测试集划分示例配置采用FROM_TEST按比例从测试集切验证。数据获取方式差异Avenue 与 UCSDped 可全自动下载内置 SHA256 校验ShanghaiTech 必须手动从官方页面下载并按异常提示整理目录之后训练视频会在首次准备时自动转码到converted_videos/。默认参数不统一frames_between_clipsUCSDped 为 10其余为 1、train_batch_sizeUCSDped 为 8其余为 32在三个模块间不同跨数据集迁移配置时建议显式检查这些默认值。授权限制Avenue 仅限学术研究用途使用前请确认自身使用场景符合数据集许可ShanghaiTech 以 BSD 2-Clause 协议发布见各数据模块源码的 License 注释。单元测试参考视频数据模块的测试位于 tests/unit/data/datamodule/video 目录可作为参数行为与边界条件的参考实现。参考文件索引官方参考文档docs/source/markdown/guides/reference/data/datamodules/video.md视频数据模块实现src/anomalib/data/datamodules/video/avenue.py、src/anomalib/data/datamodules/video/shanghaitech.py、src/anomalib/data/datamodules/video/ucsd_ped.py基类src/anomalib/data/datamodules/base/video.py、src/anomalib/data/datasets/base/video.py配置示例examples/configs/data/avenue.yaml、examples/configs/data/shanghaitech.yaml、examples/configs/data/ucsd_ped.yaml【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考