ReID行人重识别，可做图像检索，陌生人检索等项目

时间：2023-05-22

利用ReID和目标检测对视频进行检测，可以对视频中的人进行重识别，支持更换数据集可以做车辆重识别等。可应用于图像、视频检索，行人跟踪等

在以前学习ReID的时候，是跟着下面视频学习的，该论文和代码也可以参考GitHub - michuanhaohao/ReID_tutorial_slides: 《深度学习与行人重识别》课程课件《深度学习和行人重识别》浙江大学罗浩博士_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1Pg4y1q7sN?from=search&seid=12319613973768358764&spm_id_from=333.337.0.0

理论部分这里不在叙述，视频中讲解的很清楚，可以跟着视频学习，这里只讲代码的使用。

上述代码可以进行正常的训练，但没有视频或者图像检测代码，然后在查找相关资料的时候，发现这篇文章中是用yolov3和ReID进行了结合，但这篇文章中没有训练代码https://zhuanlan.zhihu.com/p/82398949

为此，对上述两个项目的代码进行了整合，感谢上述两位博主的贡献。对代码稍加了一点修改，同时我也训练了se_renext50网络，可以正常检测。可对视频或者图像进行检索，效果如下【可以看出即便遮挡以后，也可以继续检索】：

训练

检测

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

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

MODEL:

        PRETRAIN_PATH: # 预训练权重

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 loadedDataset 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-052022-02-18 16:17:55,225 reid_baseline.train INFO: Epoch[1] Iteration[2/1484] Loss: 7.671, Acc: 0.000, base Lr: 3.82e-052022-02-18 16:17:55,436 reid_baseline.train INFO: Epoch[1] Iteration[3/1484] Loss: 7.669, Acc: 0.003, base Lr: 3.82e-052022-02-18 16:17:55,646 reid_baseline.train INFO: Epoch[1] Iteration[4/1484] Loss: 7.663, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:55,856 reid_baseline.train INFO: Epoch[1] Iteration[5/1484] Loss: 7.663, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:56,069 reid_baseline.train INFO: Epoch[1] Iteration[6/1484] Loss: 7.658, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:56,277 reid_baseline.train INFO: Epoch[1] Iteration[7/1484] Loss: 7.654, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:56,490 reid_baseline.train INFO: Epoch[1] Iteration[8/1484] Loss: 7.660, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:56,699 reid_baseline.train INFO: Epoch[1] Iteration[9/1484] Loss: 7.653, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:56,906 reid_baseline.train INFO: Epoch[1] Iteration[10/1484] Loss: 7.651, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:57,110 reid_baseline.train INFO: Epoch[1] Iteration[11/1484] Loss: 7.645, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:57,316 reid_baseline.train INFO: Epoch[1] Iteration[12/1484] Loss: 7.643, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:57,526 reid_baseline.train INFO: Epoch[1] Iteration[13/1484] Loss: 7.644, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:57,733 reid_baseline.train INFO: Epoch[1] Iteration[14/1484] Loss: 7.638, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:57,942 reid_baseline.train INFO: Epoch[1] Iteration[15/1484] Loss: 7.634, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:58,148 reid_baseline.train INFO: Epoch[1] Iteration[16/1484] Loss: 7.630, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:58,355 reid_baseline.train INFO: Epoch[1] Iteration[17/1484] Loss: 7.634, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:58,564 reid_baseline.train INFO: Epoch[1] Iteration[18/1484] Loss: 7.627, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:58,770 reid_baseline.train INFO: Epoch[1] Iteration[19/1484] Loss: 7.629, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:58,980 reid_baseline.train INFO: Epoch[1] Iteration[20/1484] Loss: 7.624, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:59,186 reid_baseline.train INFO: Epoch[1] Iteration[21/1484] Loss: 7.619, Acc: 0.002, base Lr: 3.82e-052022-02-18 16:17:59,397 reid_baseline.train INFO: Epoch[1] Iteration[22/1484] Loss: 7.614, Acc: 0.002, base Lr: 3.82e-052022-02-18 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

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()}

代码和权重百度云：https://pan.baidu.com/s/1p5C5mCVxGK61_eYc7HHpHA
提取码：yypn

上一篇：检测证书和私钥是否匹配的办法你知道吗

下一篇：Python字典：还有我不知道高阶玩法？