训练
步骤1：
config文件夹:
defaults.py中(一些默认配置)
GPU设置：
_C.MODEL.DEVICE = "cuda" 是否使用GPU
_C.MODEL.DEVICE_ID = '0' GPU ID
网络设置：
_C.MODEL.NAME = 'resnet50_ibn_a'
_C.MODEL.PRETRAIN_PATH =r'./pretrained.pth' # 预权重路径(选择的权重要和上面你的模型对应上)
超参设置：
_C.SOLVER.OPTIMIZER_NAME = "Adam" # 选择优化器
_C.SOLVER.MAX_EPOCHS = 120 # 训练最大epoch数
_C.SOLVER.BASE_LR = 3e-4 # 初始学习率
步骤2：
configs文件夹：
softmax_triplet_with_center.yml中
softmax_triplet.yml中#(本代码训练用的这个损失函数)
MODEL:
PRETRAIN_PATH: # 预训练权重(这个权重我是放在ReID/weights/r50_ibn_2.pth，这个可以根据自己实际情况更改)
SOLVER:
OPTIMIZER_NAME: 'Adam' # 优化器
MAX_EPOCHS: 120 # 最大epoch
BASE_LR: 0.00035 # 初始学习率
主要设置权重保存周期和记录log和eval周期【我设置的是1，这样每轮都会保存一次日志、权重，每轮都计算一次mAP和rank】
CHECKPOINT_PERIOD: 1
LOG_PERIOD: 1
EVAL_PERIOD: 1
OUTPUT_DIR:r'./logs' # 输出路径
步骤3：
data文件夹用来存放Market1501数据集
步骤4：
输入命令开始训练：
tools/train.py --config_file='configs/softmax_triplet.yml' MODEL.DEVICE_ID "('0')" DATASETS.NAMES "('market1501')" DATASETS.ROOT_DIR "(r'./data')" OUTPUT_DIR "('E:/ReID/logs')"
=> Market1501 loaded Dataset statistics: ---------------------------------------- subset | # ids | # images | # cameras ---------------------------------------- train | 751 | 12936 | 6 query | 750 | 3368 | 6 gallery | 751 | 15913 | 6 ---------------------------------------- Loading pretrained ImageNet model...... 2022-02-18 16:17:54,983 reid_baseline.train INFO: Epoch[1] Iteration[1/1484] Loss: 7.667, Acc: 0.000, Base Lr: 3.82e-05 2022-02-18 16:17:55,225 reid_baseline.train INFO: Epoch[1] Iteration[2/1484] Loss: 7.671, Acc: 0.000, Base Lr: 3.82e-05 2022-02-18 16:17:55,436 reid_baseline.train INFO: Epoch[1] Iteration[3/1484] Loss: 7.669, Acc: 0.003, Base Lr: 3.82e-05 2022-02-18 16:17:55,646 reid_baseline.train INFO: Epoch[1] Iteration[4/1484] Loss: 7.663, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:55,856 reid_baseline.train INFO: Epoch[1] Iteration[5/1484] Loss: 7.663, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:56,069 reid_baseline.train INFO: Epoch[1] Iteration[6/1484] Loss: 7.658, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:56,277 reid_baseline.train INFO: Epoch[1] Iteration[7/1484] Loss: 7.654, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:56,490 reid_baseline.train INFO: Epoch[1] Iteration[8/1484] Loss: 7.660, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:56,699 reid_baseline.train INFO: Epoch[1] Iteration[9/1484] Loss: 7.653, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:56,906 reid_baseline.train INFO: Epoch[1] Iteration[10/1484] Loss: 7.651, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:57,110 reid_baseline.train INFO: Epoch[1] Iteration[11/1484] Loss: 7.645, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:57,316 reid_baseline.train INFO: Epoch[1] Iteration[12/1484] Loss: 7.643, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:57,526 reid_baseline.train INFO: Epoch[1] Iteration[13/1484] Loss: 7.644, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:57,733 reid_baseline.train INFO: Epoch[1] Iteration[14/1484] Loss: 7.638, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:57,942 reid_baseline.train INFO: Epoch[1] Iteration[15/1484] Loss: 7.634, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:58,148 reid_baseline.train INFO: Epoch[1] Iteration[16/1484] Loss: 7.630, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:58,355 reid_baseline.train INFO: Epoch[1] Iteration[17/1484] Loss: 7.634, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:58,564 reid_baseline.train INFO: Epoch[1] Iteration[18/1484] Loss: 7.627, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:58,770 reid_baseline.train INFO: Epoch[1] Iteration[19/1484] Loss: 7.629, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:58,980 reid_baseline.train INFO: Epoch[1] Iteration[20/1484] Loss: 7.624, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:59,186 reid_baseline.train INFO: Epoch[1] Iteration[21/1484] Loss: 7.619, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:59,397 reid_baseline.train INFO: Epoch[1] Iteration[22/1484] Loss: 7.614, Acc: 0.002, Base Lr: 3.82e-05 2022-02-18 16:17:59,605 reid_baseline.train INFO: Epoch[1] Iteration[23/1484] Loss: 7.608, Acc: 0.002, Base Lr: 3.82e-05 ··············································
训练好以后会在logs文件中保存训练好的权重
注：
我使用的是softmax_triplet.yml，如果你用这个，只需要将该文件中的 PRETRAIN_PATH 预权重更改成你路径即可，由于我选择的是resnet50_ibn_a模型(模型的选择在ReID/config/defaults.py/中的_C.MODEL.NAME修改)，因此PRETRAIN_PATH填写的是r50_ibn_2.pth权重，如果你选择的是resnet50网络，那么你的预权重也应该选择对应的权重【附上一些权重的官方链接】。代码里其实有自动下载权重地方，但有些人从pytorch官网下会导致网不好，如果通过自带url你能下载下来，权重会默认存在C盘下。所以我把代码改了一下，自己下载下来以后放自己项目中，加载的时候直接在配置文件中修改路径就行了。
'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth', 'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth', 'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',
检测
进入person_search文件夹
检测图片：
将待检测图像放入query文件夹，在data/sampes/下放入需要检测图像或者视频【注意这里的待检测和query图像是不一样的，就好比你要从一堆图片或者视频中找一个人，你现在有了这个人的照片，就放入query中，那么程序就可以从sampers文件下的一堆图或者视频中检索到这个人】，
设置search.py。images是需要检测的图或者视频，dist_thres是ReID度量匹配中计算两个样本之间的距离，小于这个距离就说明相似度很高，这个需要根据不同的视频手动调试一下。
def detect(cfg, data, weights, images='data/samples', # input folder output='output', # output folder fourcc='mp4v', # video codec img_size=416, conf_thres=0.5, nms_thres=0.5, dist_thres=1.0, # 距离阈值 save_txt=False, save_images=True):
运行search.py
最终检索的结果会输出到output中【注意：如果在query中放入图片，命名格式需要和market1501一样】
检测视频：
query_get.py 中先设置好视频路径
运行后，按空格键(按帧)继续播放视频，按鼠标左键截图(图像会自动保存并自动命名到query文件下)
同样，将待检测视频放入data/samples中，设置好参数后运行search.py，会将检测后的结果输出到person_search/output文件中。
【原代码修改说明】
engine文件夹： trainer.py主要是定义一些训练函数 在原代码的基础上增加了保存网络权重，原代码的权重是将优化器等参数设置都保存成权重，加载到原网络中是不需要这些的，会报keys错误，所以我直接保存网络权重，方便加载
modeling文件夹 baseline.py 如果对主干网络进行修改【方便以后魔改网络】，再加载权重的时候会报keys错误，所以增加了如下代码可以解决该问题
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict.keys() == pretrained_dict.keys()}
这里还要再强调一下！！！训练中的ReID/config/defaults.py和person_search/reid/config/defaults.py配置文件有些不一样，在运行search.py文件中一定要注意一下，不然会报错！
