myideaisgood/snu_reid

SNU_ReID

Detection & ReID Pipeline를 위한 inference 및 test 코드

Environments

Pytorch >= 1.13.0

Python >= 3.7.0

git clone -b main_jae --single-branch https://github.com/SeonjiPark/SNU_ReID.git
cd SNU_ReID
conda create --name ENV_NAME --file requirements.txt
conda activate ENV_NAME

Directory 설명

|──DATASET : market1501, PRW, MOT17 등 dataset을 저장하는 폴더
|──SNU_ReID
    |── results : inference결과가 저장되는 경로
    |── SNU_PersonDetection : Detection 모델 및 코드 경로
    |── SNU_PersonReID : ReID에 필요한 모델 및 코드 경로
    |── weights : inference에 필요한 Detection + ReID 모델들의 weight
    |── reid.cfg : 사용하는 모델들의 파라미터 (변경 x)
    |── config.py : infer, test시에 필요한 경로 및 파라미터 설정 
    |── infer.py : inference용 코드
    |── test.py : test용 코드

DATASET 구성

dataset 폴더 구성 주의 사항: dataset 폴더는 python 코드보다 상위에 존재함

|── DATASET : dataset을 저장하는 폴더
    |── {dataset 이름}
        |── bounding_box_test
        |── bounding_box_train
        |── gt_bbox
        |── gt_query
        |── query
    |── {dataset 이름}
    |── {dataset 이름}
    makelr.py

|──SNU_ReID
   .
   .
   .

Pretrained Weights

Inference 및 Test에 필요한 웨이트는 detection weight와 reid weight가 있다.

여기에서 필요한 웨이트를 다운받아 weights폴더에 위치하면된다.

이후 config.py에서

--detection_weight_file --reid_weight_file

argument에 대한 경로값들을 수정해 원하는 웨이트를 사용한다.

Configuration

Inference 및 Test에 사용할 경로 및 파라미터 설정은 config.py에서 한다.

Directory parameter

--infer_data_dir : Detection + ReID pipeline을 돌릴 이미지들의 경로

--dataset_root_dir : 데이터셋 경로 (default : '../DATASET/')

--dataset_name : ReID에서 갤러리로 사용하고자 하는 데이터셋 이름 (예: market1501, PRW, MOT17)

--detection_weight_file : 사용할 detection weight 경로

--reid_weight_file : 사용할 ReID weight 경로

Inference

Config.py에서 경로 설정을 마친 이후, inferece를 돌려볼 수 있다.

python infer.py

Inference는 infer_data_dir 경로에 있는 이미지들에 대해 detection + ReID를 수행한다.

지정한 갤러리와 비교해서 각 이미지마다 검출된 ID 예측값을 출력한다.

예) Predicted Class : [3, 2, 1, 6]

Test

Config.py에서 경로 설정을 마친 이후, Test 돌려볼 수 있다.

python test.py

Test는 infer_data_dir 경로에 있는 이미지들에 대해 detection + ReID를 수행한다.

지정한 갤러리와 비교해서 각 이미지마다 검출된 ID 예측값과, 실제 GT ID 값들을 출력ㄴ한다.

예) Predicted Class : [3, 2, 1, 6]

    GT Class : [3, 2, 4, 6]

이후 infer_data_dir 경로에 있는 모든 이미지들에대해 수행한 이후, 아래와 같은 총 top-k 및 mAP 점수, 및 정확도를 출력한다.

top-k, Rank-1  :96.5%
top-k, Rank-5  :99.4%
...
top-k, Rank-50 :99.9%
mAP: 0.9788
Accuracy: 0.9650 (7613/7889)