Google Landmark Retrieval 2021 2nd Place Solution 使用教程

Google Landmark Retrieval 2021 2nd Place Solution 使用教程

Google_Landmark_Retrieval_2021_2nd_Place_Solution 项目地址: https://gitcode.com/gh_mirrors/go/Google_Landmark_Retrieval_2021_2nd_Place_Solution

1. 项目介绍

本项目是2021年Google Landmark Retrieval竞赛的第二名解决方案。该项目主要用于地标图像的检索任务，通过深度学习模型对图像进行特征提取和匹配，从而实现高效的地标图像检索。项目使用了多种先进的深度学习模型，如ResNeXt101ibn、SEResNet101ibn等，并结合了多阶段的训练和推理策略，以达到最佳的检索效果。

2. 项目快速启动

环境准备

• 使用CUDA 11.1、Python 3.7、PyTorch 1.9.1和Torchvision 0.8.1进行训练和测试。
• 下载ImageNet预训练模型ResNeXt101ibn和SEResNet101ibn。
• 从官方网站下载GLDv2完整版本数据集。

数据准备

• 运行python tools/generate_gld_list.py生成训练数据列表。
• 验证数据来自GLDv2中的1129张图像。

快速训练

• 使用8个GPU进行训练。
• 快速训练脚本（适用于R50_256模型）：

  python -m torch.distributed.run --standalone --nnodes=1 --nproc_per_node=8 --master_port 55555 --max_restarts 0 train.py --config_file configs/GLDv2/R50_256.yml
  

完整训练流程

• 使用SER101ibn骨干网络的完整训练流程：

  python -m torch.distributed.run --standalone --nnodes=1 --nproc_per_node=8 --master_port 55555 --max_restarts 0 train.py --config_file configs/GLDv2/SER101ibn_384.yml
  python -m torch.distributed.run --standalone --nnodes=1 --nproc_per_node=8 --master_port 55555 --max_restarts 0 train.py --config_file configs/GLDv2/SER101ibn_384_finetune.yml
  python -m torch.distributed.run --standalone --nnodes=1 --nproc_per_node=8 --master_port 55555 --max_restarts 0 train.py --config_file configs/GLDv2/SER101ibn_512_finetune.yml
  python -m torch.distributed.run --standalone --nnodes=1 --nproc_per_node=8 --master_port 55555 --max_restarts 0 train.py --config_file configs/GLDv2/SER101ibn_512_all.yml
  

推理

• 修改submission/code/landmark_retrieval.py中的设置。
• 运行eval_retrieval.sh生成提交文件并在验证集上进行离线评估。

3. 应用案例和最佳实践

应用案例

• 地标识别与检索：该项目可用于地标图像的识别和检索，适用于旅游、地理信息系统等领域。
• 图像检索系统：可以作为图像检索系统的基础模型，应用于电商、社交媒体等场景。

最佳实践

• 多阶段训练：通过多阶段的训练策略，逐步优化模型性能。
• 特征提取与匹配：使用先进的深度学习模型进行特征提取和匹配，提高检索精度。
• 离线评估：在验证集上进行离线评估，确保模型性能的稳定性。

4. 典型生态项目

相关项目

• AICITY2021_Track2_DMT：与本项目类似，用于图像识别和检索任务。
• 2020_1st_recognition_solution：2020年图像识别竞赛的冠军解决方案，提供了丰富的图像识别技术。
• 2020_2nd_recognition_solution：2020年图像识别竞赛的亚军解决方案，与本项目有相似的技术路线。

生态项目

• PyTorch：本项目使用的深度学习框架，提供了丰富的工具和库支持。
• Torchvision：与PyTorch配套的计算机视觉库，提供了常用的图像处理和模型实现。
• CUDA：NVIDIA提供的并行计算平台和API，加速深度学习模型的训练和推理。

通过以上模块的介绍，您可以快速了解并使用本项目进行地标图像的检索任务。

Google_Landmark_Retrieval_2021_2nd_Place_Solution 项目地址: https://gitcode.com/gh_mirrors/go/Google_Landmark_Retrieval_2021_2nd_Place_Solution