參考：https://github.com/layumi/Person_reID_baseline_pytorch/tree/master/tutorial

1、環境的安裝

系統的基礎環境：

• ubantu16.04
• CUDA9.0+Cudnn7.4.2
• Python3.7.4
• Anaconda 3

創建虛擬環境

conda create -n re_id python=3.7.4 source activate re_id

安裝Pytorch

根據CUDA的版本來安裝：
https://pytorch.org/get-started/previous-versions/

conda install pytorch==1.0.1 torchvision==0.2.2 cudatoolkit=9.0 -c pytorch

安裝 yacs

git clone https://github.com/rbgirshick/yacs cd yacs python setup.py install

安裝其他依賴庫

pip install pretrainedmodels conda install matplotlib conda install future pip install torchvision pip install tensorboardX pip install tensorflow -i https://pypi.mirrors.ustc.edu.cn/simple conda install scipy conda install Cython

2、開始

數據集和代碼的準備

數據集：Market-1501
代碼：Practical-Baseline

2.1訓練

2.1.1：數據的準備(python prepare.py)

數據集分布如下：

├── Market/ │ ├── bounding_box_test/ /* Files for testing (candidate images pool) │ ├── bounding_box_train/ /* Files for training │ ├── gt_bbox/ /* Files for multiple query testing │ ├── gt_query/ /* We do not use it │ ├── query/ /* Files for testing (query images) │ ├── readme.txt 1. "bounding_box_test" – 19732張圖片，測試集，也是所謂的gallery參考圖像集；2. "bounding_box_train" – 12936張圖片，訓練集；3. "query" – 3368張query圖片，即要查詢的圖片，在 "bounding_box_test"中執行搜索；4. "gt_bbox" – 25259張圖片（人工標注），對應test和train數據集中1501個個體，用于區分"good"、“junk"和"distractors”；5. "gt_query" – 對于3368張query圖片的每一個，都有"good"和"junk"相關的圖像（包含相同個體），這個文件夾包含了"good"和"junk"圖像的索引，用在性能評估中。

打開代碼prepare.py。 將第五行的地址改為你本地的地址，比如 \home\zzd\Download\Market，然后在終端中運行代碼。
記得所有操作都在剛剛創建的虛擬環境下

python prepare.py

運行后文件的改變如下：

├── Market/ │ ├── bounding_box_test/ /* Files for testing (candidate images pool) │ ├── bounding_box_train/ /* Files for training │ ├── gt_bbox/ /* Files for multiple query testing │ ├── gt_query/ /* We do not use it │ ├── query/ /* Files for testing (query images) │ ├── readme.txt │ ├── pytorch/ │ ├── train/ /* train │ ├── 0002 | ├── 0007 | ... │ ├── val/ /* val │ ├── train_all/ /* train+val │ ├── query/ /* query files │ ├── gallery/ /* gallery files

2.1.2：搭建神經網絡模型(model.py)

我們可以使用預先訓練好的網絡結構，例如“ AlexNet”，“ VGG16”，“ ResNet”和“ DenseNet”。 通常，經過預訓練的網絡結構有助于保留更好的性能，因為它保留了ImageNet的優點[1].

在 pytorch中, 兩行代碼就可以導入模型：

from torchvision import models model = models.resnet50(pretrained=True)

但是我們需要稍微調整一下網絡結構。 Market-1501中有751個類別（不同的人），與ImageNet中的1,000個類別所不同。 因此，在這里我們修正模型以使用分類器。

import torch import torch.nn as nn from torchvision import models# Define the ResNet50-based Model class ft_net(nn.Module):def __init__(self, class_num = 751):super(ft_net, self).__init__()#load the modelmodel_ft = models.resnet50(pretrained=True) # change avg pooling to global poolingmodel_ft.avgpool = nn.AdaptiveAvgPool2d((1,1))self.model = model_ftself.classifier = ClassBlock(2048, class_num) #define our classifier.def forward(self, x):x = self.model.conv1(x)x = self.model.bn1(x)x = self.model.relu(x)x = self.model.maxpool(x)x = self.model.layer1(x)x = self.model.layer2(x)x = self.model.layer3(x)x = self.model.layer4(x)x = self.model.avgpool(x)x = torch.squeeze(x)x = self.classifier(x) #use our classifier.return x

為什么我們使用AdaptiveAvgPool2d？ AvgPool2d和AdaptiveAvgPool2d有什么區別？ 該模型現在有參數嗎？ 如何在新的網絡層中初始化參數？

仔細看看model.py吧。
這里我們不需要修改model.py，已經修改好了

2.1.3：開始訓練(train.py)

• 訓練方法 【ResNet-50】

python train.py --gpu_ids 0 --name ft_ResNet50 --train_all --batchsize 32 --data_dir /home/huan/deep_learning/ReID/Person_reID_baseline_pytorch/Market/pytorch/

• 訓練方法 【ResNet-50（alltricks）

python train.py --warm_epoch 5 --stride 1 --erasing_p 0.5 --batchsize 8 --lr 0.02 --name warm5_s1_b8_lr2_p0.5 --gpu_ids 0 --data_dir /home/huan/deep_learning/ReID/Person_reID_baseline_pytorch/Market/pytorch/ --gpu_ids 運行的gpu型號--name 模型名字--data_dir 訓練數據路徑--train_all 所有用來訓練的圖像.--batchsize batch大小--erasing_p 隨機刪除參數.

2.1.4：開始測試(test.py)

• 測試Market-1501數據集

python test.py --gpu_ids 0 --name ft_ResNet50 --test_dir /home/huan/deep_learning/ReID/Person_reID_baseline_pytorch/Market/pytorch/ --batchsize 32 --which_epoch 19

• 測試自己的數據集，并生成json格式的文件。

總結

以上是生活随笔為你收集整理的行人重识别的代码复现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。