Create ML手部动作分类器处理完文件后进度条冻结问题求助

一、临时恢复与资源排查 #

• 强制重启Create ML进程，重启训练时关闭所有后台占用资源的应用（浏览器、视频编辑工具等），给模型训练预留充足的CPU/GPU资源。
• 确认项目和数据集都存储在本地SSD，外接硬盘的读写延迟可能导致进程阻塞。

二、调整训练参数降低负载 #

• 削减数据增强项：先移除Interpolate Frames和Drop frames，这两项对视频序列的计算量较高，M1芯片的视频处理调度易在高并发下出现阻塞。待训练正常运行后，再逐一加回测试。
• 缩小Action Duration：从2.0秒降至1.5秒，减少单样本的帧处理数量，降低单批次计算负载。
• 调整批次大小：若Create ML支持高级设置，将训练批次调小（比如从32降至16），缓解内存调度压力。

三、数据集预处理优化 #

• 统一视频规格：用FFmpeg批量转码所有视频为统一分辨率（如360x360）、H.264格式，减少Create ML的格式适配开销，执行命令：

  for file in *.mp4; do ffmpeg -i "$file" -s 360x360 -c:v libx264 -crf 23 -preset fast "processed_$file"; done
  

• 拆分类别训练：将2000个类别拆分为4-5组，先训练小类别子集验证流程可行性，再通过Create ML的模型合并功能整合结果，避免单进程处理超大规模类别时的逻辑阻塞。

四、替代训练方案 #

如果Create ML的GUI限制无法突破，改用Apple Silicon优化的Python工具链：

• 用tensorflow-metal加速训练，结合mediapipe提取手部关键点特征后训练分类模型，手动控制数据加载流程，更易排查卡顿点。
• 使用PyTorch配合torchvision处理视频数据，通过调整num_workers参数优化数据加载效率，M1芯片对PyTorch的视频序列处理调度更灵活。

内容的提问来源于stack exchange，提问作者Alexander Khitev