deep person reidダウンロード - deep person reidソースコードダウンロード

deep person reid

パイソン

v1.0.6

ダウンロード

Torchreid

Torchreidは、Pytorchで書かれ、ICCV'19プロジェクトのために開発された、Pytorchで開発された深い学習者の再識別のための図書館です。

特徴：

マルチGPUトレーニング
画像とビデオの両方をサポートします
エンドツーエンドのトレーニングと評価
Reidデータセットの非常に簡単な準備
マルチデータセットトレーニング
クロスダタセット評価
ほとんどの研究論文で使用される標準プロトコル
非常に拡張可能（モデル、データセット、トレーニング方法などを簡単に追加できます）
最先端のディープリードモデルの実装
前提条件のReidモデルへのアクセス
高度なトレーニング技術
視覚化ツール（テンソルボード、ランクなど）

コード：https：//github.com/kaiyangzhou/deep-person-reid。

ドキュメント：https：//kaiyangzhou.github.io/deep-person-reid/。

ハウツー指示：https：//kaiyangzhou.github.io/deep-person-reid/user_guide。

モデル動物園：https：//kaiyangzhou.github.io/deep-person-reid/model_zoo。

技術レポート：https：//arxiv.org/abs/1910.10093。

ここでは、トーチリードの上に構築されたいくつかの研究プロジェクトを見つけることができます。

インストール

Condaがインストールされていることを確認してください。

 # cd to your preferred directory and clone this repo
git clone https://github.com/KaiyangZhou/deep-person-reid.git

# create environment
cd deep-person-reid/
conda create --name torchreid python=3.7
conda activate torchreid

# install dependencies
# make sure `which python` and `which pip` point to the correct path
pip install -r requirements.txt

# install torch and torchvision (select the proper cuda version to suit your machine)
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch

# install torchreid (don't need to re-build it if you modify the source code)
python setup.py develop

インストールする別の方法は、すべてをDockerコンテナ内で実行することです。

ビルド： make build-image
実行： make run

始めましょう：Torchreidに30秒

torchreidをインポートします

 import torchreid

データマネージャーをロードします

 datamanager = torchreid . data . ImageDataManager (
    root = "reid-data" ,
    sources = "market1501" ,
    targets = "market1501" ,
    height = 256 ,
    width = 128 ,
    batch_size_train = 32 ,
    batch_size_test = 100 ,
    transforms = [ "random_flip" , "random_crop" ]
)

3ビルドモデル、オプティマイザー、LR_SCHEDULER

 model = torchreid . models . build_model (
    name = "resnet50" ,
    num_classes = datamanager . num_train_pids ,
    loss = "softmax" ,
    pretrained = True
)

model = model . cuda ()

optimizer = torchreid . optim . build_optimizer (
    model ,
    optim = "adam" ,
    lr = 0.0003
)

scheduler = torchreid . optim . build_lr_scheduler (
    optimizer ,
    lr_scheduler = "single_step" ,
    stepsize = 20
)

エンジンを構築します

 engine = torchreid . engine . ImageSoftmaxEngine (
    datamanager ,
    model ,
    optimizer = optimizer ,
    scheduler = scheduler ,
    label_smooth = True
)

トレーニングとテストを実行します

 engine . run (
    save_dir = "log/resnet50" ,
    max_epoch = 60 ,
    eval_freq = 10 ,
    print_freq = 10 ,
    test_only = False
)

統一されたインターフェイス

「Deep-Person-Reid/Scripts/」では、モデルを訓練およびテストするための統一されたインターフェイスを提供します。詳細については、「scripts/main.py」および「scripts/default_config.py」を参照してください。フォルダー「configs/」には、出発点として使用できるいくつかの定義済みの構成が含まれています。

以下に、OSNETを訓練およびテストする例を示します（Zhou etal。ICCV'19）。 PATH_TO_DATA Reidデータセットを含むディレクトリであると仮定します。環境変数CUDA_VISIBLE_DEVICES省略されています。これは、GPUのプールがあり、特定のセットを使用するかどうかを指定する必要があります。

従来の設定

Market1501でOSNETをトレーニングするには、そうします

python scripts/main.py 
--config-file configs/im_osnet_x1_0_softmax_256x128_amsgrad_cosine.yaml 
--transforms random_flip random_erase 
--root $PATH_TO_DATA

構成ファイルは、Market1501をデフォルトのデータセットとして設定します。 dukemtmc-reidを使用したい場合は、

python scripts/main.py 
--config-file configs/im_osnet_x1_0_softmax_256x128_amsgrad_cosine.yaml 
-s dukemtmcreid 
-t dukemtmcreid 
--transforms random_flip random_erase 
--root $PATH_TO_DATA 
data.save_dir log/osnet_x1_0_dukemtmcreid_softmax_cosinelr

コードは自動的に（ダウンロードして）イメージネットの前処理された重みをロードします。トレーニングが完了すると、モデルは「log/osnet_x1_0_market1501_softmax_cosinelr/model.pth.tar-250」として保存されます。同じフォルダーの下に、テンソルボードファイルを見つけることができます。 Tensorboardを使用して学習曲線を視覚化するには、 tensorboard --logdir=log/osnet_x1_0_market1501_softmax_cosinelrをターミナルで実行し、 http://localhost:6006/をご覧ください。

評価は、トレーニングの終了時に自動的に実行されます。訓練されたモデルを使用して再度テストを実行するには、

python scripts/main.py 
--config-file configs/im_osnet_x1_0_softmax_256x128_amsgrad_cosine.yaml 
--root $PATH_TO_DATA 
model.load_weights log/osnet_x1_0_market1501_softmax_cosinelr/model.pth.tar-250 
test.evaluate True

クロスドメイン設定

dukemtmc-reidでosnetをトレーニングし、market1501でそのパフォーマンスをテストしたいとしますか？

python scripts/main.py 
--config-file configs/im_osnet_x1_0_softmax_256x128_amsgrad.yaml 
-s dukemtmcreid 
-t market1501 
--transforms random_flip color_jitter 
--root $PATH_TO_DATA

ここでは、クロスドメインのパフォーマンスのみをテストします。ただし、ソースデータセットのパフォーマンスをテストする場合は、つまりDukemtmc -reidをテストする場合は、2つのデータセットのモデルを個別に評価する-t dukemtmcreid market1501を設定できます。

同じドメイン設定とは異なり、ここではrandom_eraseをcolor_jitterに置き換えます。これにより、目に見えないターゲットデータセットの一般化パフォーマンスが向上します。

モデル動物園では、事前に保護されたモデルを利用できます。

データセット

画像REIDデータセット

Market1501
Cuhk03
dukemtmc-reid
MSMT17
ヴァイパー
グリッド
Cuhk01
Sensereid
QMUL-ILIDS
プリッド

ジオローカリゼーションデータセット

大学-1652

ビデオREIDデータセット

火星
ilids-vid
PRID2011
dukemtmc-videoreid

モデル

Imagenet分類モデル

resnet
snnext
セネット
デンセン
Inception-Resnet-V2
Inception-V4
Xception
Ibn-net

軽量モデル

ナスネット
mobileNetv2
shufflenet
shufflenetv2
スクイーズネット

リード固有のモデル

Mudeep
resnet-mid
hacnn
PCB
mlfn
osnet
osnet-en

便利なリンク

OSNET-IBN1-LITE（Lite Dockerコンテナを使用したテストのみのコード）
人の再識別のための深い学習：調査と見通し

引用

このコードまたは研究でモデルを使用する場合は、次の論文にクレジットを付けてください。

@article{torchreid,
  title={Torchreid: A Library for Deep Learning Person Re-Identification in Pytorch},
  author={Zhou, Kaiyang and Xiang, Tao},
  journal={arXiv preprint arXiv:1910.10093},
  year={2019}
}

@inproceedings{zhou2019osnet,
  title={Omni-Scale Feature Learning for Person Re-Identification},
  author={Zhou, Kaiyang and Yang, Yongxin and Cavallaro, Andrea and Xiang, Tao},
  booktitle={ICCV},
  year={2019}
}

@article{zhou2021osnet,
  title={Learning Generalisable Omni-Scale Representations for Person Re-Identification},
  author={Zhou, Kaiyang and Yang, Yongxin and Cavallaro, Andrea and Xiang, Tao},
  journal={TPAMI},
  year={2021}
}

拡大する

追加情報