FastReID 从pytorch到caffe （一）制作自己的数据集

最新推荐文章于 2023-07-06 14:39:18 发布

wangxiaobei2017

最新推荐文章于 2023-07-06 14:39:18 发布

阅读量872

点赞数 2

分类专栏：深度学习训练与移植文章标签： pytorch 深度学习 reid

本文链接：https://blog.csdn.net/wangxiaobei2017/article/details/128040892

版权

深度学习训练与移植专栏收录该内容

11 篇文章 9 订阅 ¥199.90 ¥299.90

订阅专栏

本文介绍了行人重识别ReID的概念和FastReID库的应用，通过Market-1501数据集解析了其命名规则。作者详细讲解了如何基于这个规则创建自己的数据集MyData，包括获取带标注数据，裁剪目标框，按类别组织，以及训练和测试集的划分。最后，讨论了如何按照Market-1501的格式对数据进行重命名，为后续的模型训练和迁移至Caffe做准备。

摘要由CSDN通过智能技术生成

FastReID 从pytorch到caffe （一）制作自己的数据集

0. 初识ReID

ReID，全拼为Re-identification，目的是利用各种智能算法在图像数据库中找到与要搜索的目标相似的对象。ReID是图像检索的一个子任务，本质上是图像检索而不是图像分类；
fast-reid 是一个强悍的目标重识别Reid开源库，由京东开源管理；
行人重识别是目前应用较多的项目，基于对目标特征的提取，匹配不同场景下的目标，同样可以拓展到多个不同领域的重识别；
本例通过行人reid详细解读从数据集到模型训练再到模型移植全过程，提供一个fastreid基础操作流程；

1. Market-1501数据集

Market-1501是用于行人重识别的大规模公共基准数据集。它包含由6个不同的摄像机捕获的1501个行人，以及32,668个行人图像边界框。数据集分为两部分：其中750人的图像用于训练，其余751人的图像用于测试。在官方测试协议中，选择3,368个查询图像作为查询集query，以在包含19,732张参考图像的gallery图像集中找到正确匹配。主要格式如下，模型训练主要用到bounding_box_test、bounding_box_train和query这三个文件夹。

Market-1501
　　├── bounding_box_test (750人的19732张图像用于测试)
　　|　　　　 ├── -1_c1s1_000401_03.jpg
　　| 　　　　├── 0071_c6s2_063593_01.jpg
　　|　　　 　├── 0071_c6s2_06

了解本专栏