modify vehicle docs

docs/zh_CN/application/vehicle_fine_grained_classfication.md

 # 车辆细粒度分类
-
 细粒度分类，是对属于某一类基础类别的图像进行子类别的细粉，如各种鸟、各种花、各种矿石之间。顾名思义，车辆细粒度分类是对车辆的不同子类别进行分类。
-
 其训练过程与车辆ReID相比，有以下不同：
-
 - 数据集不同
 - Loss设置不同
-
 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。
 
 <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。
-
 值得注意的是，此数据集中需要根据自己的需要生成不同的label，如本demo中，将不同年份生产的相同型号的车辆视为同一类，因此，类别总数为：431类。
-
 ## 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。

docs/zh_CN/application/vehicle_reid.md

 # 车辆ReID
-
- 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：
-
+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
-
 - 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/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
-
 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
 - [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
+    		# 具体使用的Dataset的的名称
         name: "VeriWild"
-        #使用此数据集的具体参数
+        # 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
+        # 图像增广策略：ResizeImage、RandFlipImage等
         transform_ops:
           - ResizeImage:
               size: 224
@@ -67,37 +57,34 @@ DataLoader:
         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：
-
 - 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：[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
+	# 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
+  # 导出inference model的具体配置
+  infer_output_key: "features"
+  infer_add_softmax: False
+  # 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
+  # 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）
+  # 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
+  # 增加ArcMargin， 即ArcLoss的具体实现
   Head:
     name: "ArcMargin"  
     embedding_size: 512
@@ -105,15 +92,9 @@ Arch:
     margin: 0.15
     scale: 32
 ```
-
-
-
 ## Loss的设置
-
 车辆ReID中，使用了[SupConLoss](https://arxiv.org/abs/2004.11362) + [ArcLoss](https://arxiv.org/abs/1801.07698)，其中权重比例为1:1
-
 具体代码详见：[SupConLoss代码](../../../ppcls/loss/supconloss.py)、[ArcLoss代码](../../../ppcls/arch/gears/arcmargin.py)
-
 在配置文件中设置如下：
 
 ```yaml
@@ -123,29 +104,25 @@ Loss:
         weight: 1.0
     - SupConLoss:
         weight: 1.0
-        #SupConLoss的具体参数
+        # 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
+  # 使用的优化器名称
   name: Momentum
-  #优化器具体参数
+  # 优化器具体参数
   momentum: 0.9
   lr:
-    #使用的学习率调节具体名称
+    # 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
+    # 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
@@ -155,16 +132,40 @@ Optimizer:
     name: 'L2'
     coeff: 0.0005
 ```
-
-
-
-## Eval Metric设置
+### Eval Metric设置
 
 ```yaml
 Metric:
   Eval:
-    #使用Recallk和mAP两种评价指标
+    # 使用Recallk和mAP两种评价指标
     - Recallk:
         topk: [1, 5]
     - mAP: {}
 ```
+
+### 其他超参数设置
+
+```yaml
+Global:
+  # 如为null则从头开始训练。若指定中间训练保存的状态地址，则继续训练
+  checkpoints: null
+  pretrained_model: null
+  output_dir: "./output/"
+  device: "gpu"
+  class_num: 30671
+  # 保存模型的粒度，每个epoch保存一次
+  save_interval: 1
+  eval_during_train: True
+  eval_interval: 1
+  # 训练的epoch数
+  epochs: 160
+  # log输出频率
+  print_batch_step: 10
+  # 是否使用visualdl库
+  use_visualdl: False
+  # used for static mode and model export
+  image_shape: [3, 224, 224]
+  save_inference_dir: "./inference"
+  # 使用retrival的方式进行评测
+  eval_mode: "retrieval"
+```

ppcls/configs/Vehicle/ResNet50_ReID.yaml

@@ -33,7 +33,7 @@ Arch:
   Head:
     name: "ArcMargin"  
     embedding_size: 512
-    class_num: 431
+    class_num: 30671
     margin: 0.15
     scale: 32