PCB（Part-level Convolutional Baseline）模型是行人重识别任务的经典模型，它通过对输入图像进行均匀分划，构建出包含图像各部分特征的卷积描述子，用于后续行人检索。此外，原论文提出了RPP（Refined Part Pooling）方法对离群点所属区域进行重新分配，进一步提高了区域内特征的一致性，有效提升了PCB模型的精度。
如下为MindSpore使用DukeMTMC-reID数据集对PCB+RPP进行训练的示例。
- 论文：Yifan Sun, Liang Zheng, Yi Yang, Qi Tian, Shengjin Wang."Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline)"
PCB的总体网络架构如下： 链接
使用的数据集：DukeMTMC-reID
- 数据集组成：
- 训练集：包含702个行人的16522个RGB图像
- 测试集： -query set: 包含702个行人的2228个RGB图像 -gallery set：包含1110个行人的17661个RGB图像
- 下载数据集。目录结构如下：
├─ DukeMTMC-reID
│
├─bounding_box_test
│
└─bounding_box_train
│
└─query
- 硬件(Ascend)
- 准备Ascend910处理器搭建硬件环境。
- 框架
- MindSpore=2.0
.
└──PCB
├── README.md
├── config # 参数配置
├── base_config.yaml
├── train_PCB_duke.yaml
├── train_PCB.yaml
├── finetune_PCB.yaml
├── train_RPP_duke
├── train_PCB.yaml
├── train_RPP.yaml
├── eval_PCB_duke.yaml
├── eval_RPP_duke.yaml
├── infer_310_config.yaml # 用于模型导出成mindir、310推理的配置文件
├── scripts
├── run_standalone_train.sh # 启动单卡训练脚本
├── run_distribute_eval.sh # 启动八卡训练脚本
├── run_eval.sh # 启动评估脚本
├── run_infer_310.sh # 启动310推理
├── src
├── dataset.py # 数据预处理
├── eval_callback.py # 训练时推理回调函数
├── eval_utils.py # 评估mAP、CMC所需的util函数
├── meter.py
├── logging.py # 日志管理程序
├── lr_generator.py # 生成每个步骤的学习率
├── pcb.py # PCB模型结构、损失函数
├── rpp.py # PCB+RPP模型结构
├── resnet.py # resnet50模型结构
├── datasets # 包含处理Market-1501、DukeMTMC-reID、CUHK03数据集的程序
├── market.py # 处理Market-1501的程序
├── duke.py # 处理DukeMTMC-reID的程序
├── cuhk03.py # 处理CUHK03的程序
├── model_utils
├── config.py # 参数配置
├── device_adapter.py # 设备配置
├── local_adapter.py # 本地设备配置
└── moxing_adapter.py # modelarts设备配置
├── eval.py # 评估网络
└── train.py # 训练网络
└── export.py # 模型导出
└── preprocess.py # 310推理预处理
└── postprocess.py # 310推理后处理
- 配置PCB在Market-1501数据集评估。
enable_modelarts: False # 是否开启modelarts云上训练作业训练
data_url: ""
train_url: ""
checkpoint_url: ""
enable_profiling: False
dataset_path: "/cache/dataset/" # 数据集路径
output_path: "/cache/output/" # 结果输出路径
load_path: "/cache/load_checkpoint/"
device_target: "Ascend"
log_save_path: "./log/PCB/market/eval" # 日志保存路径
checkpoint_file_path: "/cache/load_checkpoint/PCB-60_202.ckpt" # 断点加载路径
mindrecord_dir: "./MindRecord" # MindRecord文件保存路径
dataset_name: "market" # 数据集简名
batch_size: 64 # 一个数据批次大小
num_parallel_workers: 4
model_name: "PCB" # 模型名
use_G_feature: True # 评估时是否使用G feature，若不使用则代表使用H feature
- 配置PCB模型导出与推理。
enable_modelarts: False # 是否开启modelarts云上训练作业训练
data_url: ""
train_url: ""
checkpoint_url: ""
enable_profiling: False
dataset_path: "/cache/dataset/" # 数据集路径
output_path: "/cache/output/" # 结果输出路径
load_path: "/cache/load_checkpoint/"
device_target: "Ascend"
checkpoint_file_path: "/cache/load_checkpoint/PCB-60_202.ckpt" # 断点加载路径
batch_size: 1 # 目前仅支持batch size为1的推理
model_name: "PCB" # 模型名
use_G_feature: True # 模型导出时是否使用G feature，若不使用则代表使用H feature，G/H feature选择的差异会影响导出模型的结构
device_id: 0
image_height: 384 # 导出模型输入的高
image_width: 128 # 导出模型输入的宽
file_name: "export_PCB_market_G" # 导出的模型名
file_format: "MINDIR" # 导出的模型格式
preprocess_result_path: "./preprocess_Result" #310推理预处理结果路径
query_prediction_path: "./query_result_files" #query集合10推理结果输出路径
gallery_prediction_path: "./gallery_result_files" #gallery集合310推理结果输出路径
其中MODEL_NAME可从['PCB', 'RPP']中选择，DATASET_NAME['duke']
bash run_standalone_train.sh [MODEL_NAME] [DATASET_NAME] [DATASET_PATH] [CONFIG_PATH] [PRETRAINED_CKPT_PATH]（可选）
bash run_standalone_train.sh PCB duke ../../Datasets/DukeMTMC-reID ../config/train_PCB_duke.yaml ../../pretrained_resnet50.ckpt
bash run_standalone_train.sh RPP duke ../../Datasets/DukeMTMC-reID ../config/train_RPP_duke ../../pretrained_resnet50.ckpt
训练结果保存在脚本目录的output文件夹下，其中日志文件保存在./output/log/{MODEL_NAME}/{DATASET_NAME}/train下，断点文件保存在./output/checkpoint/{MODEL_NAME}/{DATASET_NAME}/train下，您可以在其中找到所需的信息。
- 使用DukeMTMC-reID数据集训练RPP
# 单卡训练结果
epoch: 1 step: 258, loss is 23.096334
epoch time: 96244.296 ms, per step time: 373.040 ms
epoch: 2 step: 258, loss is 13.114418
epoch time: 33972.328 ms, per step time: 131.676 ms
epoch: 3 step: 258, loss is 8.97956
epoch time: 33965.507 ms, per step time: 131.649 ms
...
# PCB在DukeMTMC-reID上使用G feature评估
bash run_eval.sh PCB duke ../../Datasets/DukeMTMC-reID ../config/eval_PCB_duke.yaml ./output/checkpoint/PCB/duke/train/PCB-60_258.ckpt True
# PCB+RPP在DukeMTMC-reID上使用G feature评估（由于训练涉及多个配置文件，因此在这里CONFIG_PATH传入配置文件所在目录路径即可）
bash run_eval.sh RPP duke ../../Datasets/DukeMTMC-reID ../config/eval_RPP_duke.yaml ./output/checkpoint/RPP/duke/train/RPP-40_258.ckpt True
评估结果保存在脚本目录的output/log/{MODEL_NAME}/{DATASET_NAME}/eval中。
### 结果
- RPP在DukeMTMC-reID数据集使用G feature进行评估
```log
Mean AP: 71.4%
CMC Scores duke
top-1 85.0%
top-5 92.6%
top-10 94.4%导出mindir模型
python export.py --model_name [MODEL_NAME] --file_name [FILE_NAME] --file_format [FILE_FORMAT] --checkpoint_file_path [CKPT_PATH] --use_G_feature [USE_G_FEATURE] --config_path [CONFIG_PATH]参数model_name可从["PCB","RPP"]中选择。 参数file_name为导出的模型名称。 参数file_format 仅支持 "MINDIR"。 参数checkpoint_file_path为断点路径。 参数use_G_feature表示导出模型是否使用G feature，若不使用，则使用H feature。 feature类型的不同对应导出模型的结构也会不同。 参数config_path表示infer_310_config.yaml的路径
# 示例：
# 1、导出在Market-1501上训练后使用G feature的PCB模型。
python export.py --model_name "PCB" --file_name "PCB_duke_G" --file_format MINDIR --checkpoint_file_path ../PCB_duke.ckpt --use_G_feature True --config_path ./config/infer_310_config.yaml在执行推理前，mindir文件必须通过export.py脚本导出。以下展示了使用minir模型执行推理的示例。
目前仅支持batch_Size为1的推理。
# Ascend310 inference
bash run_infer_310.sh [MINDIR_PATH] [DATASET_NAME] [DATASET_PATH] [USE_G_FEATURE][CONFIG_PATH] [DEVICE_ID](optional)DATASET_NAME选择范围：[market, duke, cuhk03]。USE_G_FEATURE应与模型导出时的选项一致CONFIG_PATH表示infer_310_config.yaml的路径DEVICE_ID可选，默认值为0。
# 示例：
# 1、PCB在Market-1501上使用G feature进行推理。
bash run_infer_310.sh ../../mindir/PCB_duke_G.mindir market ../../Datasets/DukeMTMC-reID True ../config/infer_310_config.yaml推理结果保存在脚本执行的当前路径，你可以在metrics.log中看到以下精度计算结果。
- PCB在DukeMTMC-reID数据集使用G feature进行推理
Mean AP: 69.8%
top-1 84.2%
top-5 92.4%
top-10 94.1%
由于PCB+RPP模型含有AvgPool3D算子，该算子在Ascend310环境暂不支持，因此这一部分未进行推理。
dataset.py中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子。