度量学习

一. 安装依赖

pip install -r ./Package/requirements.txt 

二. 准备数据

根目录已包含CatDog数据集，且Config/已生成dataset.txt。

格式一 : 统计精确率

• 原理：训练集的某类所有图片特征的均值作为该类的特征中心，测试样本与某类的类中心距离最近即判定为该类。
• txt格式为[类型, 类别名, 图像路径],

train, dog,  /xxxx/img1.jpg
val,   cat,  /xxxx/img2.jpg
test,  cat,  /xxxx/img3.jpg

格式二 : 统计误识率FPR下的通过率TPR

• 训练集：[类型, 类别名, 图像路径],
• 验证集/测试集：[类型,是否为同类,图片1,图片2] 样本对格式

train, dog,   img0.jpg
val,   true,  img1.jpg,  img2.jpg
val,   false, img3.jpg,  img4.jpg
test,  true,  img5.jpg,  img6.jpg
test,  false, img7.jpg,  img8.jpg

三. 训练

一. 训练

1. Config/config.py (1)注释常规分类(2)打开度量学习

   # 常规分类
   # Backbone="resnet18"   # 主干网络
   # Loss="CrossEntropy"    # 损失函数
   
   # 度量学习
   Backbone = "resnet18"
   Loss = "ArcFace"
   Feature_dim = 128

2. 开始训练

   假设单机2卡，执行如下命令 访问更多详情

   torchrun --nproc_per_node 2 metric_train.py

3. 测试

   查看metric_test.py