fast-reid跑通自己的数据

目录

1.一步一步跑通自己的额数据

2.遇到的报错

2.1 fastreid The size of tensor a (3) must match the size of tensor b (4) at non-singleton dimension 0

---

1.一步一步跑通自己的额数据

上一篇介绍了怎样搭建FastReID的环境和FastReID的一些报错处理，接下来介绍一步一步的跑通自己的数据；

首先进入configs目录，新建了一个文件夹，命名为‘suitcase’，然后加入‘AGW_R50.yml’;

AGW_R50.yml的内容如下：

_BASE_: ../Base-AGW.yml

DATASETS:
  NAMES: ("IDLabeling_machine",)
  TESTS: ("IDLabeling_machine300",)

OUTPUT_DIR: logs/Labeling_machine/agw_R50

然后进入‘Base-AGW.yml’中修改参数设置：

_BASE_: Base-bagtricks.yml #Base-AGW的上一级配置文件

MODEL:
  BACKBONE:
    WITH_NL: True #模型是否使用No_local module

  HEADS:
    POOL_LAYER: GeneralizedMeanPooling # HEAD POOL_LAYERS

  LOSSES:
    NAME: ("CrossEntropyLoss", "TripletLoss") #使用loss
    CE:
      EPSILON: 0.1  #CrossEntropyLoss 超参
      SCALE: 1.0

    TRI:
      MARGIN: 0.3 #0.0        #TripletLoss 超参数
      HARD_MINING: True #False
      SCALE: 1.0

进入'Base-bagtricks.yml'中修改参数：

MODEL:
  META_ARCHITECTURE: Baseline

  BACKBONE:
    NAME: build_resnet_backbone
    NORM: BN                        #模型NORM 如果是多卡需要设置syncBN 多卡同步BN
    DEPTH: 50x
    LAST_STRIDE: 1
    FEAT_DIM: 2048                  #输出特征维度
    WITH_IBN: True #False
    PRETRAIN: True
    PRETRAIN_PATH: './model/weihai-suitcase-reid/20211203-3/model/resnest50_1203.pth'

  HEADS:
    NAME: EmbeddingHead
    NORM: BN                #模型NORM 如果是多卡需要设置syncBN 多卡同步BN
    WITH_BNNECK: True
    POOL_LAYER: GeneralizedMeanPooling #GlobalAvgPool
    NECK_FEAT: before
    CLS_LAYER: Linear

  LOSSES:
    NAME: ("CrossEntropyLoss", "TripletLoss",)

    CE:
      EPSILON: 0.1
      SCALE: 1.

    TRI:
      MARGIN: 0.3
      HARD_MINING: True
      NORM_FEAT: False
      SCALE: 1.

INPUT:
  SIZE_TRAIN: [ 256, 256 ] #[ 256, 128 ]
  SIZE_TEST: [ 256, 256 ] #[ 256, 128 ]

  REA:
    ENABLED: True
    PROB: 0.5

  FLIP:
    ENABLED: True

  PADDING:
    ENABLED: True

DATALOADER:
  SAMPLER_TRAIN: NaiveIdentitySampler
  NUM_INSTANCE: 4
  NUM_WORKERS: 8

SOLVER:
  AMP:
    ENABLED: True
  OPT: Adam
  MAX_EPOCH: 200 #120
  BASE_LR: 0.0005 #0.00035
  WEIGHT_DECAY: 0.0005
  WEIGHT_DECAY_NORM: 0.0005
  IMS_PER_BATCH: 128 #64               #设置batch size

  SCHED: CosineAnnealingLR #MultiStepLR
  STEPS: [ 40, 90 ]
  GAMMA: 0.1

  WARMUP_FACTOR: 0.1
  WARMUP_ITERS: 2000

  CHECKPOINT_PERIOD: 30

TEST:
  EVAL_PERIOD: 30
  IMS_PER_BATCH: 256 #128

CUDNN_BENCHMARK: True

其中目前包含的数据增强方式：

INPUT:
  SIZE_TRAIN: [ 256, 256 ] #[ 256, 128 ]
  SIZE_TEST: [ 256, 256 ] #[ 256, 128 ]

  REA:
    ENABLED: True
    PROB: 0.5

  FLIP:
    ENABLED: True
    
  CROP:
    ENABLED: True
    
  AFFINE:
    ENABLED: True
    
  AUTOAUG:
    ENABLED: True
    PROB: 0.2
  
  CJ:
    ENABLED: True
    PROB:0.5
  
#  AUGMIX:
#    ENABLED: False
#      PROB: 0.2
      
#  RPT:
#    ENABLED: False
#      PROB: 0.2

#  PADDING:
#    ENABLED: False

然后加入自己的数据处理代码：

同时在__init__.py中加入函数类，方便调用：

from .suitcase import IDLabeling_machine, IDLabeling_machine300

 其中‘suitcase.py’代码中加入函数类：

这里的具体代码可以参考同一级目录下的数据处理代码来编码； 

2.遇到的报错

2.1 fastreid The size of tensor a (3) must match the size of tensor b (4) at non-singleton dimension 0

报错原因是：收集训练样本的时候混入了使用快捷键裁剪的图片（后缀有*.png）;

处理方法：使用opencv读取这类图片，重新保存为后缀为*.jpg的图片；

参考：How to train Custom Dataset · Issue #220 · JDAI-CV/fast-reid · GitHub

If yes, please check that if images in your dataset had alpha channel? And then remove the alpha channel, only keep B,G,R channels.