行人重识别01-02：OpenUnReID(SpCL)-官方数据训练测试

以下链接是个人关于OpenUnReID(SpCL-行人重识别) 所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：17575010159 相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 行人重识别00-00：OpenUnReID(SpCL)-目录-史上最新无死角讲解

注意，本人编写该博客的时间为 2020 / 08 / 13 ，也就是说，你现在下载的作者代码或许和 \color{red}{注意，本人编写该博客的时间为2020/08/13，也就是说，你现在下载的作者代码或许和} 注意，本人编写该博客的时间为2020/08/13，也就是说，你现在下载的作者代码或许和 本人的代码不一样（如果作者有更新过）还有就是，本人调试该代码为 u b u n t u 18.04 系统 \color{red}{本人的代码不一样（如果作者有更新过）还有就是，本人调试该代码为ubuntu18.04系统} 本人的代码不一样（如果作者有更新过）还有就是，本人调试该代码为ubuntu18.04系统 即下面的报错使用 u b u n t u 18.04 报错的过程，以及解决办法 \color{red}{即下面的报错使用ubuntu18.04报错的过程，以及解决办法} 即下面的报错使用ubuntu18.04报错的过程，以及解决办法

anconda环境搭建

#  $OpenUnReID表示项目（从githubu下载）的根目录
cd $OpenUnReID
conda create -n 5.OpenUnReID-pytorch1.6-py3.7  -y python=3.7
conda activate 5.OpenUnReID-pytorch1.6-py3.7
conda install pytorch torchvision -c pytorch
pip install -r requirements.txt -i https://pypi.douban.com/simple
python setup.py develop -i https://pypi.douban.com/simple

数据模型摆放

根据上篇博客的介绍，本人暂时下载了Market-1501-v15.09.15数据，放置的目录如下：

#  $OpenUnReID表示项目（从githubu下载）的根目录
cd $OpenUnReID
ln -s  /work/2.ChiPeak/5.OpenMMLab/2.OpenUnReID/Dataset  datasets

通过: https://github.com/open-mmlab/OpenUnReID/blob/master/docs/MODEL_ZOO.md 下载如下的model以及config： 放置在项目根目录的 checkpoints 中。

官方模型test

本人根据： https://github.com/open-mmlab/OpenUnReID/blob/master/docs/GETTING_STARTED.md 的提示，执行如下执行：

#  $OpenUnReID表示项目（从githubu下载）的根目录
cd $OpenUnReID/tools
GPUS=1 bash dist_test.sh ../checkpoints/Market-1501/model_best.pth ../checkpoints/Market-1501/config.yaml

本人打印结果如下： 附加：如果不想使用脚本，可以执行如下指令：

#  $OpenUnReID表示项目（从githubu下载）的根目录
cd $OpenUnReID/tools
python test_reid.py  ../checkpoints/Market-1501/model_best.pth --config ../checkpoints/Market-1501/config.yaml --tcp-port 51324 --set

本人结果如下：

可以看到准确率是分非常底的，因为模型并没有正常的加载（分布式训练出来的模型，需要使用分布式 的API进行模型加载），暂且不去理会：  

官方模型训练

本人执行如下指令：

#  $OpenUnReID表示项目（从githubu下载）的根目录
cd $OpenUnReID/tools
GPUS=1 bash dist_train.sh  SpCL SpCL/market1501

本人打印如下： 也可以执行如下指令进行训练（非分布式）：

#  $OpenUnReID表示项目（从githubu下载）的根目录
cd $OpenUnReID/tools
python   SpCL/main.py   SpCL/config.yaml --work-dir SpCL/Market1501

本人打印如下：

结语

这样，我们就已经把官方的模型进行了测试，并且训练了market1501数据集。