deep_sort之cosine_metric_learning训练

最新推荐文章于 2024-06-23 16:01:32 发布

gm-robot

最新推荐文章于 2024-06-23 16:01:32 发布

阅读量858

点赞数

分类专栏：深度学习之智能识别

本文链接：https://blog.csdn.net/gwc_master/article/details/115749652

版权

深度学习之智能识别专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、数据集

cosine_metric_learning可以简单理解为，当同一个目标在不同姿态不同角度时，模型需要将其分类为一个目标，不同的目标区分开，与分类网络的理解类似。在训练过程中就是需要一个目标的多个姿态与角度下的数据集。其中支持两种数据集训练，分别为Market-1501、Mars。
格式讲解:
Market-1501
Mars
两个数据集的共同点都是***行人***的重识别数据集，图片 高x宽x维 均为128x64x3，目标最大编号是1501；不同点是命名方式不一样。Market-1501中以文件名区分不同目标，Mars则以不同文件夹区分不同目标。

二、训练自带数据集

环境搭建 https://blog.csdn.net/gwc_master/article/details/115490150

CUDA_VISIBLE_DEVICES="0" python train_market1501.py \
           --dataset_dir=./Market-1501-v15.09.15/ \
           --loss_mode=cosine-softmax \
           --log_dir=./output/market1501/ \
           --run_id=cosine-softmax

执行上述命令即可使用GPU进行训练，如果使用cpu训练去掉CUDA_VISIBLE_DEVICES="0"
训练的最终结果在output/market1501/cosine-softmax/下

model.ckpt-100000.data-00000-of-00001
model.ckpt-100000.index
model.ckpt-100000.meta

训练过程中可通过下列命令进行监视

tensorboard --logdir=./output/market1501/cosine-softmax --port 6006

在浏览器中 \\127.0.0.1:6006 即可显示

在训练开始时，如果output/market1501/cosine-softmax/中非空，有checkpoint文件，程序会自动导入checkpoint中的模型文件，接着继续训练。如果更改了训练模型的输入则不能使用了

三、导出模型.pb用于deep_sort测试

执行命令

python train_market1501.py --mode=freeze --restore_path=./output/market1501/cosine-softmax/model.ckpt-100000

生成 market1501.pb
用于deep_sort
deep_sort的原生代码测试，还需要一个测试数据集MOT16
https://motchallenge.net/data/MOT16/

四、根据自己的数据集训练.pb文件

前面提到的 Market1501和Mars数据集，其中的图片均为128x64x3，并且最大目标编号为1501。训练自己数据集时，需要将数据resize成128x64x3，并且根据目标最大编号修改模型的分类值。

 The maximum person ID in the dataset.
#MAX_LABEL = 1501
#IMAGE_SHAPE = 128, 64, 3
MAX_LABEL = 3112
IMAGE_H = 128 
IMAGE_W = 64 
IMAGE_SHAPE = IMAGE_H, IMAGE_W, 3

数据集文件的命名也需满足Market1501命名方式。