说明文档

R1 ：重识别的行人会梦见摄像头吗 R1 b榜 6th

R2 ：XMU-MAC R2 b榜 25th

(R2弃赛 R2数据集扩充后，服务器配置跟不上，只有四卡1080Ti，跑一次程序大概一周，比赛一共一个月，因此无法继续，25th为使用R1训练的模型直接测试的结果)

1.如何复现R1 B榜结果

1）运行环境及配置

   本次竞赛使用的服务器配置
    - 4卡1080Ti
    - 2卡Titan
    - CUDA 10.2
    - pytorch 1.6.0
   根据fast-reid-master/docs/INSTALL.md 进行环境配置
   将本项目copy至服务器，在fast-reid-master文件夹内将logs压缩文件解压
   https://pan.baidu.com/s/1JkyFZZ0TrI1rMRU_PAOyEg 提取码：4bmh

2）数据集存放

   在fast-reid-master内新建datasets文件夹,其中文件结构如下：
naic2019
     --round1
         --train
         --train_list.txt
    --round2
        --train
        --train_list.txt
naic2020_round1
    --image_A
         --gallery
        --query
    --train
        --images
        --label.txt

3）复现过程

该结果由5个模型集成而成，其中模型均在logs/NAIC_All/A中，集成的5个模型其文件夹名分别是：0_269x，0_269x_augmix，0_269x_rcs_augmix，1_101x_rcs， 2_200x_rcs
复现过程为：首先对于5个模型，各自计算dist.npy文件，最后运行fastreid下的ensemble_dist.py进行集成，获得最终的R1_B.json提交文件

分别测试五个模型：需要适当更改configs/PCL下的yml文件中的OUTPUT_DIR设置来保存文件

CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S101.yml --eval-only --num-gpus 4 MODEL.WEIGHTS logs/NAIC_All/A/1_101x_rcs/1_101x_rcs/101x_rcs_model.pth

CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S200.yml --eval-only --num-gpus 4 MODEL.WEIGHTS logs/NAIC_All/A/2_200x_rcs/1_200x_rcs/200x_rcs_model.pth

CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S269.yml --eval-only --num-gpus 4 MODEL.WEIGHTS logs/NAIC_All/A/0_269x/269x_model.pth

CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S269.yml --eval-only --num-gpus 4 MODEL.WEIGHTS logs/NAIC_All/A/0_269x_augmix/269x_augmix_model.pth

CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S269.yml --eval-only --num-gpus 4 MODEL.WEIGHTS logs/NAIC_All/A/0_269x_rcs_augmix/0_269x_rcs_augmix/269x_rcs_augmix_model.pth

最后在fastreid 中运行 python ensemble_dist.py
需要适当更改 ensemble_dist.py 中的query_path，gallery_path与dist1_path等路径。

2.如何训练和测试

1）A榜如何训练和测试

A榜训练：首先更改数据集位置， fastreid/data/bulid.py 中根据提示改为 ./datasets/
其次 configs/PCL中的yml DATASETS项根据提示改为NAIC_All并适当更改OUTPUT_DIR保存输出日志

执行 CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S50.yml --num-gpus 4

进行训练，其中S50.yml可改为S101.yml，S200.yml或S269.yml

训练时269x的网络使用augmix则设置DO_AUGMIX: True，否则DO_AUGMIX: False
训练时默认rcj数据增强不开启，需要在fastreid/data/transforms/bulid.py中找到rcj的注释，取消注释

训练完成后会自行测试，如果需要另外测试，可以执行：

CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S101.yml --eval-only --num-gpus 4 MODEL.WEIGHTS logs/NAIC_All/A/1_101x_rcs/1_101x_rcs/101x_rcs_model.pth

其中 MODEL.WEIGHTS 以及--config-file位置可适当自行更改

2）B榜如何测试

首先更改数据集位置， fastreid/data/bulid.py 中根据提示改为 "/home/zhangzhengjie/workspace/image_B" 可根据image_B存储的位置，自行适当修改
其次 configs/PCL中的yml DATASETS项根据提示改为NAIC_test并适当更改OUTPUT_DIR保存输出日志

执行 CUDA_VISIBLE_DEVICES=0,1,2,3 python tools/train_net.py --config-file ./configs/PCL/S101.yml --eval-only --num-gpus 4 MODEL.WEIGHTS logs/NAIC_All/A/1_101x_rcs/1_101x_rcs/101x_rcs_model.pth

其中MODEL.WEIGHTS 以及--config-file位置可适当自行更改

3.项目介绍

1）模型配置位置

configs/PCL下的yml文件，具体模型配置参数可以在yml文件中查看

2）模型介绍

网络结构：
使用 resnest 作为backbone 并且加入IBN层，在BN上由于多卡的原因使用了syncBN 最后的FC分类层使用了 circleSoftmax层替换，同时Pooling 方式由传统的avg pooling改成了可学习的gempool的方式

Loss：
不带labelSmooth的CrossEntropyLoss hard TripletLoss

测试：
使用了AQE和 rerank 为了加快测试速度将batchsize设置为 512

优化器Adam 使用了WarmupCosineAnnealingLR

训练时将图片由256 * 128拉大至384 * 192 batchsize 64

数据增强方面使用了fastreid框架自带的augmix ，以及发现的trick 0.5概率三通道随机交换（记为rcs），

同时初赛最终的方案为：上述模型的101层版本(rcs)， 200层版本(rcs)， 269x版本，以及269层版本（rcs），和269层版本(rcs,augmix)，总共五个模型的集成版本。

3）trick

数据增强使用了三通道0.5概率随机交换的数据增强trick
具体代码位置 fastreid/data/transforms/transforms.py中的RandomShuffleChannel类

hfyer / naic2020_reid_r1 Goto Github PK

naic2020_reid_r1's Introduction