PyTorch Baseline for AI challenger scene
AI Challenger 场景分类竞赛的示例代码
使用
1.环境配置
安装：
- PyTorch,根据官网说明下载指定的版本即可。
- 第三方依赖：
pip install -r requirements.txt
2.数据预处理：
这一步主要是根据json文件进行简单的处理，生成二进制scene.pth，可以跳过这一步，直接下载随程序附带的scene.pth
如果你想自己生成scene.pth，修改scripts/data_process.py 中的文件路径，然后运行
python scripts/data_process.py3.启动visdom
可视化工具visdom
nohup python2 -m visdom.server&4.训练
训练之前还需要新建checkpoints文件夹用来保存模型mkdir checkpoints。
注意修改utils.py 中文件路径
python main.py train --model='resnet34'在 Titan Xp下，大概90分钟可以在验证集上得到大约0.938的准确率
python main.py train --model='resnet365'使用place365的预训练模型resnet50, 可以在验证集达到0.957的top3分数,
打开浏览器 输入http://ip:8097 可以看到训练过程。visdom 中要用到两个js文件plotly.min.js和react-grid-layout.min.js，这两个js文件被防火墙所拦截~ 所以你可能需要自备梯子才能用visdom。
另外一个解决方法是：
locate locate visdom/static/index.html,修改index.html中两行js的地址
5.提交
python main.py submit --model='resnet34' --load-path='res34_1018_2204_0.938002232143'
会在当前目录生成result.json文件，直接提交即可
关于CPU运行
把所有.cuda()代码去掉，就能使得程序在CPU上运行
各个文件说明
欢迎参考之前在知乎专栏写过的一篇关于PyTorch的文件组织安排的文章了解每个文件的作用
models/: 存放各个模型定义，所有的模型继承自basic_module.py中的BasicModule.
models/resnet.py: 对torchvision中的resnet18, resnet34, resnet50, resnet101 和resnet152 进行了简单的封装。
dataset.py: 数据加载相关
main.py: 主程序，包含训练和测试
utils.py: 可视化工具visdom的封装，计算top3准确率函数，可配置变量（可通过命令行参数修改，也可以通过修改文件配置）等。