入门行人重识别 尝试跑(郑哲东 简单行人重识别代码到88%准确率)过程

运行代码和参考步骤

代码
简单行人重识别代码到88%准确率

具体步骤参考 从零开始行人重识别

下载Market-1501数据集和源代码

试运行-第一部分

prepare.py

输入指令

python3 prepare.py

运行顺利

model.py

train.py

输入指令

python train.py --gpu_ids 0 --name ft_ResNet50 --train_all --batchsize 32  --data_dir your_data_path

记得修改your_data_path

出现了以下报错

RuntimeError: CUDA out of memory. Tried to allocate 20.00 MiB (GPU 0; 1.31 GiB total capacity; 1.04 GiB already allocated; 4.39 MiB free)
(这里的具体数据编了一下，大概是这样，因为之前没存）

解决办法
将batch_size改小，我改成2以后就可以跑了，但是跑了15个小时才跑完。（又忘记截图了）
输入指令

python train.py --gpu_ids 0 --name ft_ResNet50 --train_all --batchsize 2  --data_dir your_data_path

试运行-第二部分

test.py

报错如下

File “/home/wuboqun/Downloads/Person_reID_baseline_pytorch/evaluate_gpu.py”, line 79, in (module)
query_feature = query_feature.cuda()RuntimeError: CUDA error: device-side assert triggered CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect. For debugging consider passing CUDA_LAUNCH_BLOCKING=1

解决方法
在运行指令前加上 (我觉得可能不对，因为出现了下面新的报错）

CUDA_LAUNCH_BLOCKING=1

之后报错如下

File “/home/wuboqun/Downloads/Person_reID_baseline_pytorch/evaluate_gpu.py”, line 79, in (module)
query_feature = query_feature.cuda()
RuntimeError: CUDA error: out of memory

之后在网上查找了关于CUDA error: out of memory所有方法都没有用，一直报这个错，我一直在用nvidia-smi这个指令查看gpu的占用情况，每次运行占用量都在1500MiB左右，之后又单独运行了test.py里的这一句

 os.system('python evaluate_gpu.py | tee -a %s'%result)

因为这句运行了evaluate_gpu.py，而出错的语句就是这个里面的这句

query_feature = query_feature.cuda()

这个时候查看gpu的 占用量，大概是800MiB左右。
因为我的gpu内存容量是2048MiB，所以才一直有CUDA error: out of memory的报错

所以我把这两句

query_feature = query_feature.cuda()
gallery_feature = gallery_feature.cuda()

改成了

device = torch.device("cpu")
query_feature = query_feature.to(device)
gallery_feature = gallery_feature.to(device)

就是不在gpu跑而是在cpu上
是跑出来了，但是我不确定对不对。之后要仔细读一下代码。

更新：应该是不对的，不知道是我在自己电脑上跑batchsize太小了还是我改了这里，跑出来rank-1等数据都是0.00059这种，显然是不对的。所以我在网上找了租显卡的，然后好快，20分钟就训练完了，我自己电脑跑了15个小时…结果还不对
在租的上面跑了以后结果是对的。

batchsize = 64

在train的时候加上--cosface后得到的(batchsize = 128)

在train的时候加上--triplet后得到的(batchsize = 64)

在train的时候加上--cosface后得到的(batchsize = 64)

所以之后就是读一下代码