此篇为 二 具体如何使用 在这儿我将使用DLC进行新建工程、标记数据、训练、预测等，这是简化版流程。
如果你还不清楚DLC如何安装或者DLC是什么，请查看 一 从零开始安装 ，链接为：
DeepLabCut教程（一 从零开始安装） -
一、使用前言
在DLC官网上，已有官方使用教程：
https://github.com/DeepLabCut/DeepLabCut/blob/master/docs/UseOverviewGuide.md
实际上，DLC自从有了自己的GUI后，图形化操作确实非常简单，但因为这个GUI有时会卡BUG，且不利于我们理解DLC背后的代码，故在此我将从新建工程、标记、训练、预测等步骤详细介绍如何使用DLC。
二、使用流程
1、导入包
import deeplabcut
当然是先导入dlc的包，如果这一步出错，可能是没有wxPython，在环境中直接pip即可。如果是Spyder，将Graphs显示方式由Inline调整为Qt5。如果是tensorflow的问题，将环境中的tensorflow的uninstall后再安装一下。记得是要安tensorflow-gpu版本的，CPU太慢了（tai man le）。
2、新建工程
deeplabcut.create_new_project('ProjectName','YourName', ['/usr/FullPath/OfVideo1.avi','/usr/FullPath/OfVideo2.avi','/usr/FullPath/OfVideo1.avi'],copy_videos=True/False,multianimal=True/False)
注：这里新建工程后，工程文件夹的路径在这个.py脚本同级的路径下。工程名+作者名不要太长，否则会出一堆错！
使用 deeplabcut.create_new_project 函数进行新建工程，参数如上所示，分别是工程名、作者名、视频路径、是否拷贝视频到工程目录中、是否多只动物。其中，DLC2.2目前虽然支持了多只动物的跟踪，但效果一(bu)般(xing)，所以大多数情况下DLC是用来追踪单只动物的。也说不定过两天DLC的多动物追踪也变得十分强大。
3、查看配置文件config.yaml
注：config.yaml位置在工程目录下
为什么这里要特别提到yaml文件，因为这个文件中包含了对整个工程的配置，我们修改其中一些选项，达到对整个工程的控制。讲一些常用的配置选项：
project_path: 工程文件夹所在路径，包括文件夹名。
bodyparts: 自定义的身体点名称。
numframes2pick: 每个视频选择多少张图片作为训练集。
dotsize: 追踪点的显示大小。
iteration: 当前工程中第几次训练。
resnet: 选用resnet的哪个网络。
batch_size: 训练的时候batch大小，显存小、GPU运算能力不足时，适当降低batch_size。
4、从视频中自动提取训练帧
deeplabcut.extract_frames(config_path,mode='automatic',algo='kmeans',crop=True/False)
使用 deeplabcut.extract_frames 函数自动从传入的视频中提取训练集。其中参数分别为config.yaml文件路径、是否自动提取、哪种算法提取、是否需要crop裁剪。一般第一个参数传入路径，第二、三个参数不用动，第四个选False。这里可以裁剪但没必要，DLC非常强大，全局特征和局部特征都能有效提取。
5、开始标记训练集（humdrum)
deeplabcut.label_frames(config_path)
使用 deeplabcut.label_frames 函数来进行标记训练集。其中参数为config.yaml文件路径。没错，DLC内部自带标记的GUI，且标记好后自动生成数据集，无需用Labelme等工具标记训练集，也无需自己搞训练集，极大降低了入门门槛。
6、检查训练集
deeplabcut.check_labels(config_path)
使用 deeplabcut.check_labels 函数检查是否将训练集标记完成。
7、创建训练环境
deeplabcut.create_training_dataset(config_path)
使用 deeplabcut.create_training_dataset 进行创建训练环境。这一步如果没有pre_model，则会报错。由于res_net官网访问不了，所以下载预训练模型总会出错。解决方法是在网上搜res_net50或者101或者其他的模型，然后下载解压到Anaconda\envs\DLC-GPU\Lib\site-packages\deeplabcut\pose_estimation_tensorflow\models\pretrained 路径下即可。
8、开始训练
deeplabcut.train_network(config_path)
使用 deeplabcut.train_network 训练你的网络。如果你的GPU、CUDA、CUDNN、TensorFlow、训练环境都没问题，则可以开始愉快地开始训练了。GPU能力越强，则训练速度越快，时间越短。推荐RTX2080Ti及以上，如TiTan、Tesla、RTX3080等。如果GPU的显存较小，则适当调小config.yaml中的batch_size。
9、评估网络
deeplabcut.evaluate_network(config_path,plotting=True)
评估网络使用 deeplabcut.evaluate_network。这条函数可以在工程目录下生成评估文件夹，在这个文件夹下可以查看网络一些评估参数的图等。词条语句可以跳过（如果不需要评估网络的话）。
10、预测
deeplabcut.analyze_videos(config_path,['/fullpath/project/videos/'],videotype='.mp4',save_as_csv=True)
使用 deeplabcut.analyze_videos 进行视频的预测。参数分别为：config.yaml文件路径、预测的视频路径、预测的视频格式、是否保存为csv格式。通过这一步生成网络产生的输出，并保存为csv文件，保存在预测视频同级的文件夹下。
11、生成带有标记的视频
deeplabcut.create_labeled_video(config_path, [`/analysis/project/videos/reachingvideo1.avi','/fullpath/project/videos/reachingvideo2.avi'],filtered=True)
使用 deeplabcut.create_labeled_video 函数进行生成带有标记的视频图像。参数为：config.yaml文件路径、原视频名、是否需要滤波。生成的标记视频会保存在原视频同级的目录下。
至此，DLC简化版操作完成，可以尝试修改这些函数中的参数，玩出更多可能。
三、错误总结
这里会不定期更新一些错误及解决方法，敬请期待。
错误和解决方案见下连接：常见错误和解决方法