modify vehicle docs

docs/zh_CN/application/vehicle_fine_grained_classfication.md

@@ -9,11 +9,13 @@
 
 其他部分请详见[车辆ReID](./vehicle_reid.md)
 
+整体配置文件：[ResNet50.yaml](../../../ppcls/configs/Vehicle/ResNet50.yaml)
+
 ## 数据集
 
-在此demo中，使用[CompCars](http://mmlab.ie.cuhk.edu.hk/datasets/comp_cars/index.html)作为训练数据集
+在此demo中，使用[CompCars](http://mmlab.ie.cuhk.edu.hk/datasets/comp_cars/index.html)作为训练数据集。
 
-<img src="../../images/vehicle/CompCars.png" style="zoom:50%;" />
+<img src="../../images/recognotion/vehicle/CompCars.png" style="zoom:50%;" />
 
 图像主要来自网络和监控数据，其中网络数据包含163个汽车制造商、1716个汽车型号的汽车。共**136,726**张全车图像，**27,618**张部分车图像。其中网络汽车数据包含bounding box、视角、5个属性（最大速度、排量、车门数、车座数、汽车类型）。监控数据包含**50,000**张前视角图像。
 
@@ -22,5 +24,3 @@
 ## Loss设置
 
 与车辆ReID不同，在此分类中，Loss使用的是[TtripLet Loss](../../../ppcls/loss/triplet.py) + [ArcLoss](../../../ppcls/arch/gears/arcmargin.py)，权重比例1:1。
-
-整体配置文件：[ResNet50.yaml](../../../ppcls/configs/Vehicle/ResNet50.yaml)

docs/zh_CN/application/vehicle_reid.md

@@ -2,28 +2,74 @@
 
  ReID，也就是 Re-identification，其定义是利用算法，在图像库中找到要搜索的目标的技术，所以它是属于图像检索的一个子问题。而车辆ReID就是给定一张车辆图像，找出同一摄像头不同的拍摄图像，或者不同摄像头下拍摄的同一车辆图像的过程。在此过程中，如何提取鲁棒特征，尤为重要。因此，此文档主要对车辆ReID中训练特征提取网络部分做相关介绍，内容如下：
 
--  数据集及预处理方式
+- 数据集及预处理方式
+
 - Backbone的具体设置
 - Loss函数的相关设置
 
+全部的超参数及具体配置：[ResNet50_ReID.yaml](../../../ppcls/configs/Vehicle/ResNet50_ReID.yaml)
+
 ## 数据集及预处理
 
 ### VERI-Wild数据集
 
-<img src="../../images/vehicle/cars.JPG" style="zoom:50%;" />
+<img src="../../images/recognotion/vehicle/cars.JPG" style="zoom:50%;" />
 
 此数据集是在一个大型闭路电视监控系统，在无约束的场景下，一个月内（30*24小时）中捕获的。该系统由174个摄像头组成，其摄像机分布在200多平方公里的大型区域。原始车辆图像集包含1200万个车辆图像，经过数据清理和标注，采集了416314张40671个不同的车辆图像。[具体详见论文](https://github.com/PKU-IMRE/VERI-Wild)
 
-### 数据预处理
+## 数据预处理
 
 由于原始的数据集中，车辆图像已经是由检测器检测后crop出的车辆图像，因此无需像训练`ImageNet`中图像crop操作。整体的数据增强方式，按照顺序如下：
 
 - 图像`Resize`到224
 - 随机水平翻转
 - [AugMix](https://arxiv.org/abs/1912.02781v1)
-- Normlize：归一化到0～1
+- Normlize：归一化到0~1
 - [RandomErasing](https://arxiv.org/pdf/1708.04896v2.pdf)
 
+在配置文件中设置如下，详见`transform_ops`部分：
+
+```yaml
+DataLoader:
+  Train:
+    dataset:
+    		#具体使用的Dataset的的名称
+        name: "VeriWild"
+        #使用此数据集的具体参数
+        image_root: "/work/dataset/VeRI-Wild/images/"
+        cls_label_path: "/work/dataset/VeRI-Wild/train_test_split/train_list_start0.txt"
+        #图像增广策略：ResizeImage、RandFlipImage等
+        transform_ops:
+          - ResizeImage:
+              size: 224
+          - RandFlipImage:
+              flip_code: 1
+          - AugMix:
+              prob: 0.5
+          - NormalizeImage:
+              scale: 0.00392157
+              mean: [0.485, 0.456, 0.406]
+              std: [0.229, 0.224, 0.225]
+              order: ''
+          - RandomErasing:
+              EPSILON: 0.5
+              sl: 0.02
+              sh: 0.4
+              r1: 0.3
+              mean: [0., 0., 0.]
+    sampler:
+        name: DistributedRandomIdentitySampler
+        batch_size: 128
+        num_instances: 2
+        drop_last: False
+        shuffle: True
+    loader:
+        num_workers: 6
+        use_shared_memory: False
+```
+
+
+
 ## Backbone的具体设置
 
 具体是用`ResNet50`作为backbone，但在`ResNet50`基础上做了如下修改：
@@ -31,7 +77,36 @@
 - 对Last Stage（第4个stage），没有做下采样，即第4个stage的feature map和第3个stage的feature map大小一致，都是14x14。
 - 在最后加入一个embedding 层，即1x1的卷积层，特征维度为512
 
-具体代码
+具体代码：[ResNet50_last_stage_stride1](../../../ppcls/arch/backbone/variant_models/resnet_variant.py)
+
+在配置文件中Backbone设置如下：
+
+```yaml
+Arch:
+	#使用RecModel模型进行训练，目前支持普通ImageNet和RecModel两个方式
+  name: "RecModel"
+  #使用的Backbone
+  Backbone:
+    name: "ResNet50_last_stage_stride1"
+    pretrained: True
+  #使用此层作为Backbone的feature输出，name为具体层的full_name
+  BackboneStopLayer:
+    name: "adaptive_avg_pool2d_0"
+  #Backbone的基础上，新增网络层。此模型添加1x1的卷积层（embedding）
+  Neck:
+    name: "VehicleNeck"
+    in_channels: 2048
+    out_channels: 512
+  #增加ArcMargin， 即ArcLoss的具体实现
+  Head:
+    name: "ArcMargin"  
+    embedding_size: 512
+    class_num: 431
+    margin: 0.15
+    scale: 32
+```
+
+
 
 ## Loss的设置
 
@@ -39,6 +114,57 @@
 
 具体代码详见：[SupConLoss代码](../../../ppcls/loss/supconloss.py)、[ArcLoss代码](../../../ppcls/arch/gears/arcmargin.py)
 
-
-
-全部的超参数及具体配置：[ResNet50_ReID.yaml](../../../ppcls/configs/Vehicle/ResNet50_ReID.yaml)。
+在配置文件中设置如下：
+
+```yaml
+Loss:
+  Train:
+    - CELoss:
+        weight: 1.0
+    - SupConLoss:
+        weight: 1.0
+        #SupConLoss的具体参数
+        views: 2
+  Eval:
+    - CELoss:
+        weight: 1.0
+```
+
+
+
+## 其他相关设置
+
+### Optimizer设置
+
+```yaml
+Optimizer:
+  #使用的优化器名称
+  name: Momentum
+  #优化器具体参数
+  momentum: 0.9
+  lr:
+    #使用的学习率调节具体名称
+    name: MultiStepDecay
+    #学习率调节算法具体参数
+    learning_rate: 0.01
+    milestones: [30, 60, 70, 80, 90, 100, 120, 140]
+    gamma: 0.5
+    verbose: False
+    last_epoch: -1
+  regularizer:
+    name: 'L2'
+    coeff: 0.0005
+```
+
+
+
+## Eval Metric设置
+
+```yaml
+Metric:
+  Eval:
+    #使用Recallk和mAP两种评价指标
+    - Recallk:
+        topk: [1, 5]
+    - mAP: {}
+```