FastReID使用教程、踩坑记录

近期在尝试使用FastReID，期间对FastReID架构、损失函数、数据集准备、模型训练/评估/可视化/特征向量输出、调试debug记录等进行记录。

FastReID架构理解

关于FastReID的介绍，可点击此链接前往查询。

ReID和FastReID架构

对于模型架构、损失函数、实验Tricks可点击访问下述两个链接：

行人重识别02-03：fast-reid(BoT)-白话给你讲论文-翻译无死角_reid bot算法-CSDN博客
详解ReID的各部分组成及Trick——基于FastReID_fastreid trick-CSDN博客

ReID网络训练和测试的输出不同

注：ReID网络训练和测试的输出不同：训练的输出执行到最后一步，进行Triplet loss+Center loss+ID lossID损失函数的计算并反向梯度传播，从而迭代更新网络参数；测试inference阶段只执行到特征向量的输出（可见上图inference stage），这也对应后文的demo.py脚本所执行的操作。

一般神经网络训练和测试的输出是同一个东西，但是基于表征学习的ReID方法比较特殊：ReID训练时候的输出是每张图片对应不同ID的预测概率（也就是输出此图片识别的ID/类别），测试模式输出的是每张图片ReID的特征向量（比如对于多个摄像头，用不同摄像头检测到的多个物体进行ReID后的特征向量进行后续运算，特征向量相似的给定同一个ID，ReID测试网络不直接输出识别的ID/分类）

损失函数

笔者没有扒源代码，但从上图FastReID架构可以看出，其损失函数有三部分组成：Triplet loss + Center loss + ID loss。其中Triplet loss和Center loss属于基于度量学习的ReID方法范畴，因为其度量的是特征向量的距离/相似度；ID loss属于基于表征学习的ReID方法范畴，类似softmax层后的分类损失。

Triplet loss和Cicle loss

数据集准备

复制数据集到fast-reid\datasets下

用户自定义数据集训练参考：

How to train Custom Dataset · Issue #220 · JDAI-CV/fast-reid (github.com)

模型训练

直接训练

键入：

python tools\train_net.py --config-file .\configs\VeRi\sbs_R50-ibn.yml

使用预训练模型权重训练

键入：