企业官网建设流程全解析

NTU60-XSub 是人体动作识别最经典的标准数据集，专门用来练模型、做实验、发论文。

能干什么

1. 人体骨骼动作识别
   识别人体在做什么动作：走路、坐下、挥手、喝水、摔倒、握手 等一共60 种日常动作。

2. 主要给这些模型用
   ST-GCN、2s-AGCN、MSG3D、Pose-Former、行为识别、图卷积网络 都拿它跑标准对比实验。

3. XSub 作用
   就是固定的训练/测试划分规则：

• 用一部分人的动作训练模型
• 用完全没见过的另一批人测试
  用来检验模型能不能泛化到陌生人的动作。

适合什么场景

• 做基于骨骼的行为识别、姿态分析
• 做人机交互、监控异常行为检测、机械臂视觉控制
• 研究生/毕设/发论文 跑基线、对比模型精度

简单总结

你下载的NTU60Xsub=
现成的60类人体动作骨骼数据 + 标准跨人物训练测试划分，
拿来直接喂给动作识别模型，训练、测试、跑准确率、做对比实验用的。

下面把NTU60‑XSub（Cross‑Subject）给你讲清楚，从数据集含义、下载、目录结构到怎么用，一次性说明白，你自己下的原始数据也能对应上。

1. NTU60 与 XSub 是什么？

• NTU60（NTU RGB+D 60）：

  • 60 类动作，共56,880 个样本
  • 40 个演员（subject），3 个 Kinect 相机同时拍摄
  • 每个样本包含：RGB 视频、深度图、3D 骨骼（25 个关节）、红外图

• XSub（Cross‑Subject，跨主体）划分：

  • 按演员 ID 划分训练/测试：
    • 训练：20 个演员 →40,320 样本
    • 测试：剩下 20 个演员 →16,560 样本
  • 训练集演员 ID：
    1,2,4,5,8,9,13,14,15,16,17,18,19,25,27,28,31,34,35,38
  • 目的：训练和测试的人完全不重叠，验证模型泛化到新主体的能力。

2. 你自己下载的 NTU60 XSub 原始数据长什么样？

2.1 官方原始骨骼数据（你大概率下的是这个）

从官网申请后下载：

• nturgbd_skeletons_s001_to_s017.zip→ NTU60 骨骼数据（所有主体）

解压后大概是：

nturgb+d_skeletons/ ├── S001C001P001R001A001.skeleton ├── S001C001P001R001A002.skeleton └── ...

文件名含义：

• Sxxx：subject（演员）ID
• Cxxx：camera（相机）ID
• Pxxx：performer（同主体下编号）
• Rxxx：repetition（动作重复次数）
• Axxx：action（动作类别，1~60）

2.2 处理好的 XSub 划分（常用于 ST‑GCN 等）

网上常见的预处理好的版本（如 PaddleVideo、ST‑GCN 提供）结构是：

NTU-RGB-D/ ├── xsub/ │ ├── train_data.npy │ ├── train_label.pkl │ ├── val_data.npy │ └── val_label.pkl └── xview/ └── ...

• train_data.npy：(N, C, T, V, M) → 样本数×3×帧数×25关节×1/2人
• train_label.pkl：对应标签

3. 怎么把你自己下的原始数据转成 XSub 训练/测试集？

核心逻辑：

1. 遍历所有.skeleton文件
2. 从文件名提取Sxxx（主体ID）和Axxx（动作ID）
3. 按XSub 训练主体ID列表分到训练集，其余到测试集
4. 解析骨骼文件，整理成(C, T, V, M)格式，保存为.npy+.pkl

伪代码思路（Python）：

train_subjects={1,2,4,5,8,9,13,14,15,16,17,18,19,25,27,28,31,34,35,38}train_data,train_label=[],[]val_data,val_label=[],[]forfileinall_skeleton_files:# 解析文件名S=int(file[1:4])A=int(file[-7:-4])-1# 标签0~59# 解析骨骼内容 -> array(3, T, 25, M)skel=parse_skeleton(file)ifSintrain_subjects:train_data.append(skel)train_label.append(A)else:val_data.append(skel)val_label.append(A)# 保存np.save("xsub/train_data.npy",np.array(train_data))pickle.dump(train_label,open("xsub/train_label.pkl","wb"))...