Caffe 训练车辆 Reid

1、Dataset
没有固定的数据集，前期清洗数据，很坑。我觉得这是一个清洗-训练-加数据再清洗–训练一个循环的过程；这一段时间使用检测跟踪算法对现场采集视频进行多进程批次的处理，再进行ID的合并（预处理，有好的模型之后会当做工具辅助），python脚本打标签，模型训练及测试，更换不同的网络…外加调研AI City2019，一个半月很充实。

（1）每个文件夹下保证是同一辆车，最好有多角度的变化，以便网络提取不同方向特征


（2）标签

train.txt

val.txt

2、编译caffe
（注意对opencv、python版本的要求，这个问题很无解，照做就是了；我的机器环境是opencv3.4源码编译安装+系统自带py2.7，不推荐anaconda，opencv4.1 pip安装会报错等，在我其他博客会有介绍
https://blog.csdn.net/NcepuKZH/article/details/98993879）

添加了自定义层caffe根目录/src/caffe/layers下。

（1）sudo make clean
（2）sudo make all -j16
（3）sudo make pycaffe
（4）添加环境变量

import sys,os# 设置当前的工作环境在caffe下
caffe_root = ‘/home/xxx/caffe/’ # 我们也把caffe/python也添加到当前环境
sys.path.insert(0, caffe_root + ‘python’)
import caffe

3、Caffe的模型训练

（1）网络结构的配置文件 ***.prototxt

数据的读取层 使用ImageData，后续具体其他的会有更新介绍，添加本地电脑的数据路径（照片和txt）

（2）超参数自定义文件solver***.prototxt文件

其中超参数文件最开始读取的是网络结构prototxt文件。

（3）编写sh脚本

倒着往回推，sh脚本给开始训练命令–加载预训练模型，caffe二进制文件–调用solver超参数文件----超参数文件prototxt调用网络配置文件data.prototxt—根据data层txt标签输入的路径，读取相对应的照片，送入到后续的网络。

4、调优
过程很痛苦，目前也没啥经验

（1）对无效数据进行清洗
（2）针对单一场景，使用添加噪声、增减亮度进行数据增强
（3）继续增加可用数据，感谢公司其他同事的帮忙
（4）使用不同的损失函数以及梯度下降方法以及不同网络的组合进行不同模型的训练及可视化脚本的测试。

5、模型可视化
待更新…