reid训练改进笔记

已于 2024-08-10 02:01:22 修改
阅读量360 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 人脸识别 深度学习宝典 文章标签： pytorch 深度学习 计算机视觉
于 2020-04-05 08:51:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jacke121/article/details/105320551
本文记录了在PyTorch中进行ReID（Person Re-Identification）训练的一些改进措施，包括使用fc预训练，调整不同层的学习率策略，如fc层先设为1e-20，backbone设为0.001，待loss下降后再一同调整。在训练过程中，遇到了多进程数据不一致、数据增强的影响以及transform导致的问题，如38上transform使测试AP为0，而在25.73上恢复正常。同时强调data_transforms对内存连续性的要求。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

超过百度reid精度的代码：

android sdk c++代码：

reid绝招：

超过百度reid精度的代码：

insightface_lbg.zip

faceID_ResNet_PFC

android sdk c++代码：

F:\project\hjimi\imi_faceID_android\imi_faceID_android\src\core

face_correct.cpp

imi_faceID

imi_faceID_android

reid绝招：

用fc预训练，先把fc的学习率设置为1e-20，待loss降低到1e-10以上，

再加载fc和backbone的预训练，把backbone学习设置为0.001，fc也是0.001，然后7200s精度不提升再降低学习率。

我用peleenet训练insightface

多进程导致数据打散不一致，4个进程导致不均匀

数据增强也导致了？

38上transform导致测试ap为0

25.73上的正常了。


                

        

         

    

    
  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        


    



                



	

		

			

				
					
reid笔记 yolov5 deepsort

				
			

			

				

					jacke121的专栏
				

				

					10-08
					
					3998
					
				

			

		

		

			
				
方案1：

YoloV5 + deepsort + Fast-ReID 完整行人重识别系统（三）_zengwb的博客-CSDN博客

改进点：将deepsor的表征提取模型替换成了fastreid训练的reid模型。能够提升跟踪性能。

yolov5 + deepsort顺带实现了行人计数功能，统计摄像头内出现过的总人数，以及对穿越自定义黄线行人计数

开源地址：

https://github.com/zengwb-lx/Yolov5-Deepsort-Fastreid


...

			
		

	



                

            
              



	

		

			

				
					
YOLO学习笔记 ｜ YOLOv8与卡尔曼滤波实现目标跟踪与预测（附代码）

					
最新发布

				
			

			

				

					尘世冰封的专栏
				

				

					04-29
					
					627
					
				

			

		

		

			
				
YOLOv8采用改进的CSPDarknet骨干网络和动态标签分配策略，提供高精度、实时的目标检测能力。使用IOU（交并比）或马氏距离作为代价矩阵，通过匈牙利算法匹配预测框与检测框，解决多目标ID分配问题。卡尔曼滤波通过状态方程和观测方程对目标运动建模，结合预测与观测数据优化状态估计。完整代码需结合具体场景调整参数，并补充匈牙利算法实现（可参考。匈牙利算法（Hungarian Algorithm）是解决。的高效方法，常用于目标跟踪中的。），作为跟踪的输入观测值。（将检测框与预测框匹配）。

			
		

	



              


  
              

                


	

		

			

				
					
追踪行人和车辆，并使用deep-person-reid训练自定义追踪模型（行人和车辆两类）

				
			

			

				

					qq_44224801的博客
				

				

					04-19
					
					2352
					
				

			

		

		

			
				
1） “bounding_box_test”——用于测试集的 750 人，包含 19,732 张图像，前缀为 0000 表示在提取这 750 人的过程中DPM检测错的图（可能与query是同一个人），-1 表示检测出来其他人的图（不在这 750 人中）2） “bounding_box_train”——用于训练集的 751 人，包含 12,936 张图像3） “query”——为 750 人在每个摄像头中随机选择一张图像作为query，因此一个人的query最多有 6 个，共有 3,368 张图像。

			
		

	





	

		

			

				
					
行人重识别（reid）近期最优最简模型的训练&测试

				
			

			

				

					混日子的慕程序猿
				

				

					07-09
					
					9241
					
				

			

		

		

			
				
这一次开始实际操作reid~
本篇文章代码源自：
来自于论文以及大佬&男神项目源
高阶代码源自：https://github.com/L1aoXingyu/reid_baseline 添加更多丰富的内容。
大神可以直接自行看高阶版。
萌新可以和我一起从简单开始学习。
论文简介
总的来说，就是大佬们diss了一下reid圈的现状，给出了一个更厉害的baseline，提出了一些小技巧和新的结构...

			
		

	



		

			
		



	

		

			

				
					
人物重识别（ReID）：AaP-ReID: Improved Attention-Aware Person Re-identification

				
			

			

				

					qq_34717531的博客
				

				

					09-29
					
					384
					
				

			

		

		

			
				
论文作者：Vipin Gautam,Shitala Prasad,Sharad Sinha作者单位：Indian Institute of Technology Goa论文链接：http://arxiv.org/abs/2309.15780v11）方向：人物重识别（ReID）2）应用：人物重识别3）背景：人物重识别是计算机视觉领域中一个众所周知的问题，其主要目标是在图像库中识别特定的个体。然而，由于姿势变化、光照变化、遮挡和复杂背景的存在等各种因素，具有挑战性。4）方法：在现有的ReID方法中，当目标被遮挡

			
		

	





	

		

			

				
					
reid思路参考

				
			

			

				

					m0_37192554的博客
				

				

					01-13
					
					2140
					
				

			

		

		

			
				
1、目标跟踪 + ReId   https://zhuanlan.zhihu.com/p/88925638
1、#Re-ID# FANet：用于行人重识别的端到端前景识别网络 《An End-to-End Foreground-Aware Network for Person Re-Identification》 注：FANet 性能优于HPM和IANetIANet等网络，其在MARKET-1501和DUKEMTMC-REID上表现SOTA！ 作者：中科大&华为诺亚方舟实验室
2、#Re-ID# G

			
		

	





	

		

			

				
					
【ReID】【skimming】Random Erasing Data Augmentation

				
			

			

				

					锥栗的博客
				

				

					05-17
					
					1057
					
				

			

		

		

			
				
著名的随机擦除方法，2017年挂的arvix，好像中了2020年的AAAI。文章提出了一种数据增强方法——随机擦除（Random Erasing），将图像随机位置选择一块随机大小的矩形区域，将其中的值赋予为没有意义的常数（或者随机数，或者0）。这样的方法主动消除了图像中的一些信息，从而起到防止模型过拟合，增强模型鲁棒性的效果，也使得识别任务检测任务的模型表现更好。
论文一览：

痛点
很多网络被涉及的过于复杂，拥有过多的参数量，往往泛化能力差，容易发生过拟合现象。网络学习到的可能是一些不重要的noise，而

			
		

	





	

		

			

				
					
【ReID】【代码注释】数据增广/数据增强 deep-person-reid/transforms.py

				
			

			

				

					锥栗的博客
				

				

					01-20
					
					1079
					
				

			

		

		

			
				
源码URL：
https://github.com/michuanhaohao/deep-person-reid/blob/master/transforms.py
数据增广/数据增强，读代码的注释
from __future__ import absolute_import

from torchvision.transforms import *
from PIL import Image
i...

			
		

	





	

		

			

				
					
【论文笔记】AlignedReID: Surpassing Human-Level Performance in Person Re-Identification

				
			

			

				

					不知小姐
				

				

					04-19
					
					523
					
				

			

		

		

			
				
1Introduction

行人识别的挑战
在不同时间地点，识别同一个人

在多摄像头或照片中，追踪同一个人

图像库中搜索行人

相册照片聚类

商店访客分析

难点：variations in pose, viewpoints illumination, and occlusion

传统解决方案：
专注于低水平的特征，例如颜色、形状和局部描述

深度学习CNN：通过各种度量学习loss端到...

			
		

	





	

		

			

				
					
Bag of Tricks and A Strong Baseline for Deep Person Re-identification（论文阅读笔记）（2019CVPR）

				
			

			

				

					weixin_73330544的博客
				

				

					06-04
					
					880
					
				

			

		

		

			
				
本文是CVPR2019报告的文章，主要是将对reid有效的方法和技巧进行收集和评价。该模型仅使用了全局特征。

			
		

	





	

		

			

				
					
每周——ReID学习

				
			

			

				

					叶晓默
				

				

					11-03
					
					2331
					
				

			

		

		

			
				
文章目录一、传统行人重识别1.1 基于人工特征设计（handcrafted features）1.1.1 低层视觉特征表达方法1.1.2 高层视觉特征表达方法1.2 基于度量学习（distance metric learning）二、基于深度学习2.1 通过分类（classification）模型提取行人外观特征2.2 通过验证（verification）模型学习行人外观特征三、基于无监督学习3.1 基于跨域迁移的学习3.2 完全无监督3.2.1 传统的基于特征设计的方法3.2.2 利用局部显著性统计特征的

			
		

	





	

		

			

				
					
深度学习reid中的要点与技巧（含样本不平衡）

				
			

			

				

					wykqhyjs的专栏
				

				

					04-04
					
					1044
					
				

			

		

		

			
				
1、采用多分支任务增强特征表达，例如一个分支基于softmax loss做分类，另一个分支基于triplet loss做 reid。

repnet 属性分支：颜色和车型分类器；triplet loss 属性分支

分支融合：乘积、减、拼接concat（大量使用）

凡是用了deep ranking triple loss 这个技术一定要注意：不要重头训练，通常需要训练基本CNN 网络，例如先训练...

			
		

	





	

		

			

				
					
ReID：lightReid训练代码

				
			

			

				

					weixin_40132776的博客
				

				

					06-02
					
					549
					
				

			

		

		

			
				
import torch
import lightreid
from lightreid.evaluations import build_evaluator
modelDir='/home/wang/light-reid-master'
#build dataset
dataManager=lightreid.data.DataManager(
    sources=lightreid.data.build_train_dataset(['market1501']),
    target=light.

			
		

	





	

		

			

				
					
景联文科技提供5000个id20万张ReID训练数据集

				
			

			

				

					weixin_55551028的博客
				

				

					04-13
					
					537
					
				

			

		

		

			
				
近年来，人工智能视觉识别领域兴起“ReID”前沿技术研究，科技界和产业界都试图跨过人脸，转而通过步态、体态、衣着等其他个体化特征实现对人的精准识别。



什么是ReID技术？

ReID（ Re-identification简写）即行人重识别，可以在无法获取清晰人脸的情况下，对行人进行摄像头连续跟踪，增强数据的时空连续性，根据行人的穿着、体貌，在各个摄像头中去检索，把这个人在各个不同摄像头出现的视频段关联起来形成轨迹。直观来讲，就是能够通过穿着、体态、发型等特征，识别出不同场景中的同一个目标人物。

和人

			
		

	





	

		

			

				
					
【深度学习|目标跟踪】多目标跟踪之训练reid网络

				
			

			

				

					传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
				

				

					11-21
					
					819
					
				

			

		

		

			
				
文件夹，在这下面准备若干个子文件夹，表示一共有多少类别，每个文件夹中准备好对应类的图片即可。按照分类任务那样准备数据集，即创建一个。

			
		

	





	

		

			

				
					
Reid Strong Baseline 代码解析及训练测试

				
			

			

				

					weixin_46480637的博客
				

				

					10-18
					
					601
					
				

			

		

		

			
				
测试依然使用.sh命令，将Test-reranking-all_tricks-tri_center-feat_after_bn-cos-market.sh。该测试结果采用的 --config_file='configs/softmax_triplet_with_center.yml'改为：param_dict = torch.load(trained_path).state_dict()该测试结果采用的 --config_file='configs/softmax_triplet.yml'

			
		

	





	

		

			

				
					
light-reid：轻量化行人重识别开源工具箱

				
			

			

				

					qwj的博客
				

				

					09-26
					
					1769
					
				

			

		

		

			
				
light-reid 轻量化行人重识别开源工具箱 

			
		

	





	

		

			

				
					
ReID行人重识别(训练+检测，附代码)，可做图像检索，陌生人检索等项目

					
热门推荐

				
			

			

				

					z240626191s的博客
				

				

					02-18
					
					1万+
					
				

			

		

		

			
				
利用ReID和目标检测对视频进行检测，可以对视频、图像中的人进行重识别，支持更换数据集做车辆重识别等。可应用于图像、视频检索，行人跟踪等。

			
		

	





	

		

			

				
					
reId训训练代码解释

				
			

			

				

					持之以恒
				

				

					05-25
					
					907
					
				

			

		

		

			
				
import torch
import torch.nn as nn
import torch.backends.cudnn as cudnn
from torch.utils.data import DataLoader
from torch.optim import lr_scheduler

import data_manager
from dataset_loader import ImageDataset, VideoDataset
import transforms as T
import mo

			
		

	





	

		

			

				
					
训练fast-reid模型

				
			

			

				

					linghu8812的博客
				

				

					04-20
					
					940
					
				

			

		

		

			
				
1. 下载项目
git clone [email protected]:JDAI-CV/fast-reid.git

2. 安装依赖

安装requirements.txt

conda create -n fastreid python=3.7
conda activate fastreid
conda install pytorch==1.6.0 torchvision tensorboard -c pytorch
pip install -r docs/requirements.txt


编译rank_c

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
AI算法网奇

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值