Alignedreid项目源码分析

多笑一笑啊

已于 2022-03-06 16:21:00 修改

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：代码训练文章标签：深度学习

于 2022-03-06 16:15:35 首次发布

本文链接：https://blog.csdn.net/qq_42820467/article/details/123312049

本文详细介绍了如何在深度学习项目中使用PyTorch实现SYSU-MM01数据集的预处理，包括数据加载、数据集类中的`__getitem__`和`len`方法，以及度量学习中的DIST计算和正负例挖掘。重点讲解了如何利用torch库进行特征提取、loss计算和模型训练，涉及的知识点有模型构建、优化方法、torch.gather函数的应用和性能指标分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一个项目文件，首先要包括
data_loader.py
数据集类文件
class SYSUData(data.Dataset):# class数据集名称（data是从torch.utils中导入的模块）
#该类下一般有三个函数，初始化函数__init__、生成函数getitem和长度获取函数len；
def init(self, data_dir,):
1.该函数中一般是用来获取图像和标签的地址；
地址的语法：
./当前目录
…/上级目录

	Windows	ubuntu
相对地址	…/Datasets/SYSU-MM01/	…/Datasets/SYSU-MM01/
绝对地址	“G:\xsf\ast\function_representation_learning-master\”	‘/home/jdk1.8.0_65/bin/java’

 np文件操作相关语法:
    变量名 = np.load(文件夹地址 + 文件名)，例如：
	data_dir = '../Datasets/SYSU-MM01/'
	        self.train_label = np.load(data_dir + 'train _label.npy')   
				2.常用语法
					Self.名字=名字（实例化类时传入的变量）
	    def __getitem__(self, index):
	        img1 = self.transform(img1)
	        img2 = self.transform(img2)
	        return img1, img2, target1, target2

#python类中的__getitem__方法，可以将实例化的类，实现字典dict的键值形式。实例对象的key不管是否存在都会调用类中的__getitem__()方法。而且返回值就是__getitem__()方法中规定的return值。语法：实例化名称【字典中的键值】

在这里插入图片描述

def len(self):
return len(self.train_color_label)

Train.py

1、添加参数
一般常用参数有：数据集名称和路径、学习率、参数优化方式、backbone、模型路径、训练日志路径、输入图像的宽和高、batchsize、gpu选择等，在输入运行命令时可以改变
2、 OS文件操作相关：
os.path.makedirs 创建文件夹
os.path.isdir 判断是否存在该文件夹
3、确保训练生成的日志的路径正确，以及日志打印是的格式。
4、打印信息


```handlebars

```handlebars
print("==========\nArgs:{}\n==========".format(args))
print('==> Loading data..')

print('Dataset 名字 statistics:)
print('  subset   | # ids | # images')
print('  ------------------------------')
print('  visible  | 类别数 | 训练集标签长度)
print('  query    | {
   
   :5d} | {
   
   :8d}'.format(len(np.unique(query_label)), nquery))#搜寻标签
print('  gallery  | {
   
   :5d} | {
   
   :8d}'.format(len(np.unique(gall_label)), ngall))#图库标签
print('  ------------------------------')
print('Data Loading Time:\t {
   
   :.3f}'.format(time.time() - end))

print('==> Building model..')

print('Epoch: [{
   
   }][{
   
   }/{
   
   }] '
                  'Time: {
   
   batch_time.val:.3f} ({
   
   batch_time.avg:.3f}) '
                  'lr:{
   
   :.3f} '
                  'Loss: {
   
   train_loss.val:.4f}