AlignedReID for PyTorch

概述

简述

AlignedReID提取了图像中的全局特征并与局部特征联合学习，局部特征学习通过计算两组局部特征之间的最短路径来执行对齐/匹配而无需额外监督，在联合学习后只保留全局特征来计算图像之间的相似度。AlignedReID是第一个在market1501数据集上超越人类水平的ReID方法。

• 参考实现：

  url=https://github.com/huanghoujing/AlignedReID-Re-Production-Pytorch
  commit_id=2e2d45450d69a3a81e15d18fe85c2eebbde742e4 
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitcode.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/classification
  

准备训练环境

该模型为不随版本演进模型（随版本演进模型范围可在此处查看），未在最新昇腾配套软件中适配验证，您可以：

1. 根据下面提供PyTorch版本在软件版本配套表中选择匹配的CANN等软件下载使用。
2. 查看软件版本配套表后确认对该模型有新版本PyTorch和CANN中的适配需求，请在modelzoo/issues中提出您的需求。自行适配不保证精度和性能达标。

准备环境

• 当前模型支持的 PyTorch 历史版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch 1.5	-
  PyTorch 1.8	-

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  在模型源码包根目录下执行命令。

  pip install -r requirements.txt
  

准备数据集

1. 获取数据集。

   用户自行获取 market1501 原始数据集，将数据集上传到服务器任意路径下并解压。

   数据集目录结构参考如下所示。

   ├── market1501
         ├──images
              ├──xxx.jpg
              |  ...
         ├──ori_to_new_im_name.pkl
         ├──partitions.pkl  
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称} 
   

2. 运行训练脚本。

   该模型支持单机单卡训练和单机8卡训练。

   • 单机单卡训练

     启动单卡训练。

     bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能
     

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度
     
     bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能
     

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --data_path=/data/xxx/ --pth_path=real_pre_train_model_path # 8卡评测
     

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --pth_path参数填写训练权重生成路径，需写到权重文件的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --data_path                         //数据集路径
   --addr                              //主机地址
   --workers                           //加载数据进程数      
   --total_epochs                      //重复训练次数
   --ids_per_batch                     //每个设备训练批次大小
   --base_lr                           //初始学习率
   --exp_decay_at_epoch                //权重衰减epoch
   --npu                               //训练设备卡号
   

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 2 训练结果展示表

NAME	rank@1	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	-	10	-	1.5
8p-竞品V	-	-	300	-	1.5
1p-NPU	-	237.004	10	O1	1.8
8p-NPU	82.16	1719.3	300	O1	1.8

版本说明

变更

2022.03.18：首次发布。

FAQ

无。

公网地址说明

代码涉及公网地址参考 public_address_statement.md