阿里天池算法大赛 服饰关键点检测任务

基于hourglass的tensorflow实现

• python >= 3.5
• tensorflow >= 1.4.0
• numpy
• opencv >= 3
• matplotlib
• scikit-image

• preprocess.ipynb : 数据预处理
• config.py : 模型参数
• utils.py : 工具函数和预定义变量
• model.py : 模型结构搭建，训练和测试流程
• datagen.py : 训练和测试数据生成，数据增补
• launcher.py : 训练和测试入口
• demo.ipynb : 可视化训练和测试的结果

本模型将数据集分为两个部分进行训练：上装和下装。两个部分的区别在于数据集和模型输出通道数量，在config.py中进行控制。

实际训练中，两个部分的训练是在两块gpu上同时进行的。

1. 使用preprocess.ipynb预处理训练集。这将同时生成上装和下装数据
2. 根据需要调整config.py中的参数，主要包括以下几个部分：
   • #dataset：上装或下装控制，数据集位置
   • #model: 模型结构参数
   • #train: 模型训练参数
   • #saver：控制模型参数和summary的保存和载入
3. 运行 launcher.py

   python launcher.py -m=train

4. 修改config.py，完成另一部分的训练（注意修改saver_dir或name属性，以防之前参数被覆盖）

测试同样分为上装和下装两部分。参数设置同训练步骤。

1. 使用preprocess.ipynb预处理测试集。
2. 修改config.py以载入训练好的模型参数。详见载入训练参数部分
3. 运行 launcher.py

   python launcher.py -m=test

4. 修改config.py中的#dataset设置，完成另一部分的测试（改变test_output_file设置，以防前一次操作被覆盖）

使用demo.ipynb可以对模型进行单步inference，在图片上显示预测的关键点位置。

在训练、测试、可视化测试中都可以载入训练好的模型参数。可以通过修改config.py来实现。也可以在实例化Config对象后，修改其属性。载入的参数必须和当前的模型结构一致。

参数保存在<checkpoints>/<load>位置。例如，参数保存在checkpoints/sphinx_20时，应令

saver_dir = checkpoints
load = sphinx_20

训练流程中利用了tensorflow的summary功能。因此可以使用tensorboard查看<logdir>下的log文件。如：

tensorboard --logdir=logs