行人重识别(ReID) ——基于MGN-pytorch进行可视化展示

最新推荐文章于 2024-08-08 08:29:25 发布
最新推荐文章于 2024-08-08 08:29:25 发布
阅读量9.9k 收藏 34
点赞数 4
分类专栏： ReID
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/ctwy291314/article/details/83619455
版权
本文介绍了如何使用MGN-pytorch进行行人重识别（ReID）的实践操作，包括下载模型和Market1501数据集，调整配置文件以适应自己的GPU设备，并提供了部分示例代码用于演示和检索结果的自定义设置。
摘要由CSDN通过智能技术生成

下载MGN-pytorch：https://github.com/seathiefwang/MGN-pytorch

下载Market1501数据集：http://www.liangzheng.org/Project/project_reid.html

模型训练，修改demo.sh，将 --datadir修改已下载的Market1501数据集地址，将修改CUDA_VISIBLE_DEVICES=2,3自己的GPU设备ID，将修改--nGPU自己的GPU数量。

部分demo.sh示例：

#mAP: 0.9204 rank1: 0.9469 rank3: 0.9664 rank5: 0.9715 rank10: 0.9780 (Best: 0.9204 @epoch 4)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 40 --epochs 160 --decay_type step_120_140 --loss 1*CrossEntropy+2*Triplet --margin 0.3 --re_rank --random_erasing --save MGN_adam --nGPU 2  --lr 2e-4 --optimizer ADAM

CUDA_VISIBLE_DEVICES=0 python main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 8 --batchtest 16 --test_every 40 --epochs 160 --decay_type step_120_140 --loss 1*CrossEntropy+2*Triplet --margin 0.3 --re_rank --random_erasing --save MGN_adam --nGPU 1  --lr 2e-4 --optimizer ADAM --save_models

CUDA_VISIBLE_DEVICES=0 python main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 8 --batchtest 8 --test_every 10 --epochs 10 --decay_type step_120_140 --loss 1*CrossEntropy+2*Triplet --margin 0.3 --re_rank --random_erasing --save MGN_adam --nGPU 1  --lr 2e-4 --optimizer ADAM --test_only --resume -1 --load MGN_adam


#mAP: 0.9094 rank1: 0.9388 rank3: 0.9596 rank5: 0.9659 rank10: 0.9748 (Best: 0.9094 @epoch 4)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 40 --epochs 160 --decay_type step_120_140 --loss 1*CrossEntropy+1*Triplet --margin 0.3 --re_rank --random_erasing --save MGN_adam_1 --nGPU 2  --lr 1e-4 --optimizer ADAM

#mAP: 0.9217 rank1: 0.9460 rank3: 0.9653 rank5: 0.9706 rank10: 0.9801 (Best: 0.9217 @epoch 4)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 40 --epochs 160 --decay_type step_120_140 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --re_rank --random_erasing --save MGN_adam_margin_1.2 --nGPU 2  --lr 2e-4 --optimizer ADAM

#mAP: 0.8986 rank1: 0.9356 rank3: 0.9567 rank5: 0.9620 rank10: 0.9727 (Best: 0.8986 @epoch 4)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 40 --epochs 160 --decay_type step_120_140 --loss 1*CrossEntropy+2*Triplet --margin 0.3 --re_rank --random_erasing --save MGN_adamax --nGPU 2  --lr 2e-4 --optimizer ADAMAX

#mAP: 0.5494 rank1: 0.7058 rank3: 0.7696 rank5: 0.8023 rank10: 0.8432 (Best: 0.5494 @epoch 4)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 40 --epochs 160 --decay_type step_80_120 --loss 1*CrossEntropy+1*Triplet --margin 0.3 --re_rank --random_erasing --save MGN_sgd --nGPU 2 --lr 1e-2 --optimizer SGD 

#mAP: 0.8480 rank1: 0.9008 rank3: 0.9317 rank5: 0.9436 rank10: 0.9555 (Best: 0.8480 @epoch 3)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 40 --epochs 120 --decay_type step_60_80 --loss 1*CrossEntropy+1*Triplet --margin 0.3 --re_rank --random_erasing --save MGN_sgd_1 --nGPU 2 --lr 1e-2 --optimizer SGD 

#mAP: 0.8455 rank1: 0.9032 rank3: 0.9350 rank5: 0.9433 rank10: 0.9537 (Best: 0.8455 @epoch 3)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 40 --epochs 120 --decay_type step_60_80 --loss 1*CrossEntropy+1*Triplet --margin 1.2 --re_rank --random_erasing --save MGN_sgd_2 --nGPU 2 --lr 1e-2 --optimizer SGD 

#mAP: 0.8979 rank1: 0.9376 rank3: 0.9569 rank5: 0.9623 rank10: 0.9745 (Best: 0.8979 @epoch 200)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 50 --epochs 200 --decay_type step_130_170 --loss 1*CrossEntropy+1*Triplet --margin 1.2 --re_rank --random_erasing --save sgd_1 --nGPU 2 --lr 1e-2 --optimizer SGD --reset

#mAP: 0.8053 rank1: 0.9228 rank3: 0.9581 rank5: 0.9676 rank10: 0.9804 (Best: 0.8054 @epoch 190)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --reset --batchid 16 --batchtest 32 --test_every 10 --epochs 200 --decay_type step_240_250 --loss 1*CrossEntropy+1*Triplet --margin 1.2 --save sgd_2 --nGPU 2 --lr 1e-2 --optimizer SGD --save_models --random_erasing --reset

#mAP: 0.8251 rank1: 0.9353 rank3: 0.9679 rank5: 0.9783 rank10: 0.9866 (Best: 0.8251 @epoch 200)
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --reset --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 10 --epochs 200 --decay_type step_240_250 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --random_erasing --save adam_1 --nGPU 2  --lr 2e-4 --optimizer ADAM --save_models

#mAP: 0.9097 rank1: 0.9442 rank3: 0.9614 rank5: 0.9679 rank10: 0.9751
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 100 --epochs 300 --decay_type step_250_290 --loss 1*CrossEntropy+1*Triplet --margin 1.2 --save sgd_3 --nGPU 2 --lr 1e-2 --optimizer SGD --save_models --random_erasing --reset --re_rank

#mAP: 0.9353 rank1: 0.9534 rank3: 0.9706 rank5: 0.9768 rank10: 0.9849
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 100 --epochs 300 --decay_type step_250_290 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --save adam_2 --nGPU 2  --lr 2e-4 --optimizer ADAM --save_models --random_erasing --reset --re_rank

#mAP: 0.9174 rank1: 0.9433 rank3: 0.9617 rank5: 0.9679 rank10: 0.9754
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 20 --epochs 300 --decay_type step_250_290 --loss 1*CrossEntropy+1*Triplet --margin 1.2 --save sgd_3 --nGPU 2 --lr 1e-2 --optimizer SGD --random_erasing --reset --re_rank --nesterov

#mAP: 0.9376 rank1: 0.9558 rank3: 0.9712 rank5: 0.9765 rank10: 0.9816
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 100 --epochs 300 --decay_type step_250_290 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --save adam_3 --nGPU 2  --lr 2e-4 --optimizer ADAM --random_erasing --reset --re_rank --amsgrad

CUDA_VISIBLE_DEVICES=0 python main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 8 --batchtest 32 --test_every 100 --epochs 300 --decay_type step_250_290 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --save adam_3 --nGPU 1  --lr 2e-4 --optimizer ADAM --random_erasing --reset --re_rank --amsgrad

CUDA_VISIBLE_DEVICES=0 python main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 20 --epochs 300 --decay_type step_250_290 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --save adam_3 --nGPU 1  --lr 2e-4 --optimizer ADAM --random_erasing --re_rank --load adam_3 --test_only --resume -1


#mAP: 0.9323 rank1: 0.9513 rank3: 0.9700 rank5: 0.9745 rank10: 0.9813
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 100 --epochs 300 --decay_type step_250_290 --loss 1*CrossEntropy+2*Triplet --margin 0.3 --save adam_1 --nGPU 2  --lr 2e-4 --optimizer ADAM --random_erasing --reset --re_rank --amsgrad

#mAP: 0.9270 rank1: 0.9510 rank3: 0.9691 rank5: 0.9751 rank10: 0.9810
#CUDA_VISIBLE_DEVICES=2,3 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 50 --epochs 500 --decay_type step_300_420 --loss 1*CrossEntropy+1*Triplet --margin 1.2 --pool avg --save sgd_1 --nGPU 2 --lr 1e-2 --optimizer SGD --random_erasing --reset --re_rank --nesterov

#0.9383 rank1: 0.9578 rank3: 0.9721 rank5: 0.9783 rank10: 0.9843 (Best: 0.9383 @epoch 400)
#CUDA_VISIBLE_DEVICES=1 python3 main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 50 --epochs 400 --decay_type step_320_380 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --save adam_1 --nGPU 1  --lr 2e-4 --optimizer ADAM --random_erasing --reset --re_rank --amsgrad

CUDA_VISIBLE_DEVICES=0 python main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 50 --epochs 400 --decay_type step_320_380 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --save adam_1 --nGPU 1  --lr 2e-4 --optimizer ADAM --random_erasing --reset --re_rank --amsgrad

CUDA_VISIBLE_DEVICES=0 python main.py --datadir /home/hylink/eclipse-workspace/Market/ --batchid 16 --batchtest 32 --test_every 50 --epochs 400 --decay_type step_320_380 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --save adam_1 --nGPU 1  --lr 2e-4 --optimizer ADAM --random_erasing --re_rank --load adam_1 --test_only --resume -1

修改trainer.py

import os
import torch
import numpy as np
import utils.utility as utility
from scipy.spatial.distance import cdist
from utils.functions import cmc, mean_ap
from utils.re_ranking import re_ranking
import MyUtil
import scipy.io
import matplotlib
import matplotlib.pyplot as plt

class Trainer():
    def __init__(self, args, model, loss, loader, ckpt):
        self.args = args
        self.train_loader = loader.train_loader
        self.test_loader = loader.test_loader
        self.query_loader = loader.query_loader
        self.testset = loader.testset
        self.queryset = loader.queryset

        self.ckpt = ckpt
        self.model = model
        self.loss = loss
        self.lr = 0.
        self.optimizer = utility.make_optimizer(args, self.model)
        self.scheduler = utility.make_scheduler(args, self.optimizer)
        self.device = torch.device('cpu'
最低0.47元/天 解锁文章
gmHappy
关注
专栏目录
【行人重识别】复现deep-person-reid中特征可视化
聿默的博客
09-17 3364
0.环境 ubuntu16.04 python3.6 cuda9.0 torch==1.1.0 torchvision==0.3.0 numpy Cython h5py Pillow six scipy opencv-python matplotlib tb-nightly future yacs gdown flake8 yapf isort==4.3.21 imageio 下载： git clone https://github.com/KaiyangZhou/deep-person-reid
图像检索（reID）结果可视化
猪猪后花园
01-07 2807
输出topk图像及其label： # searching_path = a list of searching results for i in range(topk): cur_searching = cv2.imread(searching_path[i]) if i is 0: res = cv2.imread(query_path) res = np.stack((res, cur_searching)) 此时可以得到下图，队列第一是query，后面依次是t
加入triplet loss的 reid Pytorch实现
t20134297的博客
04-14 2858
把triplet loss加到reid的实现中了，工程目录结构如下图所示： loss.py代码如下： import torch import torch.nn as nn import torch.nn.functional as F def euclidean_dist(x,y): m,n = x.size(0),y.size(0) xx = torch.pow(x,...
探索高效的人体再识别技术：Pytorch ReID项目介绍
最新发布
gitblog_00889的博客
08-08 744
探索高效的人体再识别技术：Pytorch ReID项目介绍 Person_reID_baseline_pytorch:bouncing_ball_person: Pytorch ReID: A tiny, friendly, strong pytorch implement of person re-id / vehicle re-id baseline. Tutorial ????https://g...
基于视频的行人重识别结果可视化
weixin_51138870的博客
01-04 4045
基于视频的行人重识别结果可视化基于视频的行人重识别结果可视化数据集读取test结果保存结果读取gallery排序结果可视化结果结束语 基于视频的行人重识别结果可视化 在网上搜集了很多帖子，想要白嫖可视化代码。但是发现并没有人分享，是视频重识别太小众了还单帧重识别太受宠了！！！！ 为此在郑哲东的基础上改出了基于视频的行人重识别结果可视化。 郑哲东大佬的代码先放在这里：https://github.com/layumi/Person_reID_baseline_pytorch 单帧可视化的代码就是里面的demo
Python-Pytorch实现深度行人重新识别方法
08-11
Pytorch实现深度行人重新识别方法
【开源代码合集】行人重识别
junmuzi的专栏
02-08 5921
original url:http://blog.csdn.net/Layumi1993/article/details/55798568?locationNum=2&fps=1关于行人重识别综述，推荐一下liang zheng 2016年的综述: Past, Present and Future 写了从传统方法到深度学习，从图片到视频的行人重识别的方法。以下为一些公开的行人重识别代码链接...
ReID可视化
asd123pwj的博客
08-22 722
文章首发及后续更新：https://mwhls.top/2858.html 新的更新内容请到mwhls.top查看。 无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。 GitHub：https://github.com/asd123pwj/ReID-visualize Blog: https://mwhls.top/2858.html 目录 1. Functions 2. Usage-用法 3. Usage sample 4. 使用示例 Functionsinput: 1 quer
fast-reid-master.zip
08-27
Fast-ReID是一个专注于行人重识别（Person Re-Identification,简称ReID）的开源项目，由JDAI-CV团队维护。行人重识别是计算机视觉领域的一个重要研究方向，其目标是在不同摄像头视角下识别同一行人的身份，对于视频...
基于Transformer的目标重识别框架
ID: 16CNN-basedmethodsID: 443Transformer-basedmethodsCNN-basedmethodsTransformer-basedmethods150130TransReID：基于Transformer的目标重识别0何舒婷1,2* 罗浩2 王丕超2 王帆2 李浩1†01 浙江大学 2 ...
行人检测程序
05-02
行人检测程序，利用hog进行行人检测，包含训练及检测
Python-行人再识别PersonreID的Pytorch实现
08-11
行人再识别Person-reID的Pytorch实现
郑哲东 Deep-ReID：行人重识别的深度学习方法
04-11
极市第19期分享，郑哲东（悉尼科技大学博士生，ICCV 2017论文Deep-ReID作者） 主题：Deep-ReID: 关于行人重识别的深度学习方法 ppt
行人再识别Person-reID的Pytorch实现-python
06-18
行人再识别Person-reID的Pytorch实现 Person_reID_baseline_pytorch 一个小巧、友好、强大的 Person-reID 基线代码（基于 pytorch）。 强的。 它与几个顶级会议工作中的新基线结果一致，例如，用于人员重新识别的联合判别和生成学习（CVPR19）、超越部件模型：具有精细部件池的人员检索（ECCV18）、用于人员的相机风格适应重新识别（CVPR18）。 我们到达 Rank@1=88.24%, mAP=70.68% 仅使用 softmax 损失。 小的。 使用 fp16（由 Nvidia apex 支持），我们的基线可以仅使用 2GB GPU 内存进行训练。 友谊赛。 您可以使用现成的选项在一行中应用许多最先进的技巧。 此外，如果您不熟悉 person re-ID，您可以先查看我们的教程（8 分钟阅读）:thumbs_up:。 目录 特性 一些新闻 训练模型先决条件 入门 安装 数据集准备 训练测试评估 使用其他数据集进行训练的技巧 引文 相关存储库功能 现在我们支持： Float16 以节省 GPU 内存，基于 a
基于双交叉注意学习的细粒度视觉分类和目标重识别
4692基于双交叉注意学习的细粒度视觉分类和目标重识别朱浩伟*，柯文京*，李东，刘继，陆田，益山微电子股份有限公司，中国北京{郝伟.朱，wenjing.ke，d.li，陆.田，易.山}@ amd.com摘要近年来，自我注意机制在各种...
基于属性引导度量蒸馏的再识别模型解释
11813基于属性引导度量蒸馏的可解释人再识别Xiaodong Chen1* Xinchen Liu2Wu Liu2† Xiao-Ping Zhang3Yongdong Zhang1TaoMei21中国科学技术大学，合肥，中国2JD AI Research，中国北京3瑞尔森大学，加拿大多伦多cxd...
行人重识别
shuxiawang2017的博客
01-07 614
行人重识别（Person re-identification）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。由于不同摄像设备之间的差异，同时行人兼具刚性和柔性的特性 ，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人重识别成为计算机视觉领域中一个既具有研究价值同时又极具挑战性
pytorch 官方教程 Penn-Fudan 数据库中对行人检测和分割 填坑
bailingsister的专栏
12-14 795
博客别人写的很棒了。 推荐： https://blog.csdn.net/u013685264/article/details/100564660。 https://blog.csdn.net/it_boy__/article/details/106376437 怕遗忘。 1，git github上东西慢，不得不注册了 码云。 2，安装pytorch的坑，用清华的镜像没成功，原来参考pytorch官网 ，多了 -c pytorch 一句，总是调用default的channel。（我这个花了一天都
评论 5
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

gmHappy

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