记录在VeRi-776训练【pytorch】deep_sort中的深度ReID特征

开场白

最近在做车辆检测跟踪，检测训练教程有很多，但是pytorch版deepsort（就是很多星星的ZQPei
/deep_sort_pytorch项目）的跟踪特征训练能找到的资料很少，于是自己在他的github上摸索，踩了一遍大家可能遇到的坑，终于成功训练，并且能把训练好的权重用到检测跟踪程序里。
可能中间的过程并不完善，主要还是参考大佬GitHub项目主页的流程。

第一步：下载项目相关资料

1.pytorch版的yolov3+deepsort项目

链接：link.

2.VeRi-776数据集

官方数据集可以申请得到下载链接。网上很多教程，自行查找。

第二步：修改数据集格式及程序运行

ZQPei大佬的代码很简洁，他在GitHub上也说的很清楚，我总结一下自己遇到和大家可能出现的问题。

1.数据格式

最终的目录像这样：

原始数据是把训练的车和测试的车分开了，也就是776中有几百用于训练，剩下的用于测试，但是这个版本的deepsort训练的是分类网络，需要的是训练测试一样的ID，也就是要先把原始数据中的所有776文件夹都移动到train里，再把train里每一个文件夹下的图片分几张到test相应的ID下。
说的可能有点啰嗦。。


我是把每号车都分出去6张给测试集，当然你可以有自己的想法，比如分10张，或者保证同分布的每一个角度分出去一张。我为了方便，这样做的，可能在理论上有些许不妥。
这样数据集格式基本就算改好了。

2.遇到的问题

(1)运行train.py遇到的第一个问题

这个是数据预处理的问题，源码中对于训练图片做的预处理是先随机裁剪一个（128，64）的图像作为网络输入，如下图：

而咱们的veri数据集图片大小不一，并且基本都不够128*64那么大，所以随机裁剪出了问题，这里我做的改变是把随机裁剪变为resize，这样就省的改网络了，是一种比较方便的做法，当然你们也可以对图片做不一样的预处理，也可以修改网络输入以适应veri图像数据，我为了方便就这么做了，可能理论上有些许不妥，但是对准确率影响应该不大。我说的不对的地方也请大佬提出纠正，我也刚刚入门，很多理论没研究透。见谅！

(2)运行train.py遇到的第二个问题

是数据导入的问题，由于显存小，所以trainloader的batch写了2，显存小的一定要改小一点！，不然运行很慢，还有显卡爆炸的风险。。修改大小在这里：

于是我输出了数据和标签的维度，发现了是奇偶的问题。

清楚的了问题的源头，我的解决方法是把每一个ID文件夹下的图片个数都保证为偶数。这样就能解决这个问题。这个可以自己写代码实现一下，用os的相关操作。

(3)把训练好的.t7文件放到跟踪程序里出现的问题

这个问题很好理解，跟踪代码中原来作者训练的是751类，而我测试程序训练的是12类，也就是一开始我只做了001-012的ID用来测试。
这个问题作者是这样回答的：

在这里改，改完就可以运行检测跟踪程序啦！

参考文献

内容全为亲身经历，其中参考了以下链接：
啊：
[1]: https://github.com/ZQPei/deep_sort_pytorch/issues
[2]: http://bbs.cvmart.net/topics/449/veri-da-gui-mo-cheng-shi-jiao-tong-jian-kong-che-liang-zai-shi-bie-tu-xiang-shu-ju-ji?from=timeline