天池fashionai比赛地址：https://tianchi.aliyun.com/competition/introduction.htm?spm=5176.100066.0.0.350cd780qWQYjg&raceId=231649

2018.03.13 Update

增加模型finetune和数据增强，可以很容易地训练出�排行榜上分数接近0.95的模型。实验配置参考examples/fashionai/E02_finetune/skirt_length.cfg（将配置中的PATH_OF_PRETRAINED_MODEL_TO_BE_CONFIGURED改成用来finetune的模型路径或所在目录）。

• finetune使用模型：tensorflow官方提供的在imagenet上训练的resnet50模型
• 数据增强方式
  • 将图片resize到256x256，再随机crop到224x224
  • 随机左右翻转

skirt_length_design baseline实验描述

• 将官方提供的skirt_length_design的数据拆成训练集和验证集。
• 将所有图片直接resize成224x224
• label直接去看y的位置，忽视m
• 网络结构使用resnet18
• 最后模型收敛的时候，在验证集上的accuracy约90%

安装 tensorcv

需要使用python3

$ git clone https://github.com/tworuler/tensorcv.git ~/github
pip install -r requirements.txt
pip install -e .

启动skirt_length_design baseline实验

实验数据准备

• 整理官方的提供的数据。如:
  • 将2次提供的训练集合成在一起放在~/fashionai/data/train_data下。
  • 将测试集放在~/fashionai/data/test_data下。
• 准备数据列表
  • 筛选出skirt_length相关的数据
  • 将数据拆成训练集和验证集

  cd ~/fashionai/data/train_data/Annotations
  # label.csv官方提供的第一批训练数据
  cat skirt_length_labels.csv label.csv | grep skirt_length > skirt.csv
  shuf -n 1000 skirt.csv > val.csv
  grep -F -v -f val.csv skirt.csv > train.csv
  

准备实验配置

• 建立实验目录，并复制baseline实验配置

mkdir -p ~/fashionai/skirt_length/E01
cd ~/fashionai/skirt_length/E01
cp ~/github/tensorcv/exmaples/fashionai/E01_baseline/skirt_length.cfg .

• 将skirt_length.cfg中的路径相关配置改成自己的路径。如：
  • 将PATH_OF_EXPERIMENT_TO_BE_CONFIGURED改成~/fashionai/skirt_length/E01
  • 将PATH_OF_TRAIN_DATA_FOLDER_BE_CONFIGURED改成~/fashionai/data/train_data
  • 将PATH_OF_TEST_DATA_FOLDER_BE_CONFIGURED改成~/fashionai/data/test_data
  • 将PATH_OF_TRAIN_CSV_TO_BE_CONFIGURED改成~/fashionai/data/train_data/Annotations/train.csv
  • 将PATH_OF_VAL_CSV_TO_BE_CONFIGURED改成~/fashionai/data/train_data/Annotations/val.csv
  • 将PATH_OF_TEST_CSV_TO_BE_CONFIGURED改成~/fashionai/data/test_data/Tests/question.csv

启动实验训练

• 使用下面命令启动实验

tcv train skirt_length_01.cfg

生成测试集的answer

• 使用下面命令对测试集inference，会只生成skirt_length相关的答案，在eval/20000/test_0222.csv

tcv predict skirt_length_01.cfg

使用tensorboard查看实验相关指标

tensorboard --logdir . --port 6006