Réidentification de personne

Réidentification de personne. Apprend des embeddings discriminatifs pour associer la même personne à travers différentes vues de caméra. Basé sur le metric learning.

Définis model.pretrained_model_path pour les poids pré-entraînés.

Schémas Dataclass

Les schémas TAO Core générés sont empaquetés dans schemas/<action>.schema.json, avec schemas/manifest.json listant les actions disponibles. Chaque schéma généré émet aussi references/spec_template_<action>.yaml à partir du champ default du schéma au niveau supérieur. L'activation AutoML est déclarée au niveau du modèle dans references/skill_info.yaml via automl_enabled. L'exécution d'AutoML nécessite toujours que schemas/train.schema.json et references/spec_template_train.yaml existent et se compilent. Utilise le schéma train empaqueté pour automl_default_parameters, automl_disabled_parameters, les valeurs par défaut, les limites min/max, les énumérations, les poids d'option, les conditions mathématiques, les dépendances et les paramètres populaires. N'attends pas ~/tao-core à l'exécution ; les mainteneurs régénèrent les schémas/templates avant d'empaqueter la banque de skills.

Politique d'action Train

Ce modèle est activé pour AutoML au niveau du modèle. Avant de traiter toute demande au stade train, lis references/skill_info.yaml et résous l'override d'exécution à partir soit d'une valeur automl_policy explicite, soit de la demande de workflow de l'utilisateur. Traite des phrases comme « turn off AutoML », « disable AutoML », « no HPO » ou « plain training » comme automl_policy: off pour cette exécution uniquement ; sinon la valeur par défaut est auto. Quand automl_policy: auto, automl_enabled: true, et que schemas/train.schema.json et references/spec_template_train.yaml sont empaquetés, route l'action train via tao-skill-bank:tao-run-automl par défaut avec le skill_dir de ce modèle. Préserve les overrides workflow/application pour les datasets, les specs, les répertoires de sortie, les paramètres GPU/plateforme, les checkpoints parents, et automl_policy. Utilise l'entraînement direct du modèle uniquement quand automl_policy: off ou que le schéma/template train empaqueté est manquant ; dans le cas du schéma manquant, rapporte qu'AutoML est activé mais non exécutable pour ce modèle jusqu'à ce que les schémas soient générés.

Les actions non-train comme evaluate, inference, export et les flux de déploiement restent dans ce skill de modèle. L'override automl_policy par exécution ne change pas les métadonnées du modèle.

Exigences d'entraînement

• Type de dataset : re_identification
• Formats : default
• Métrique de monitoring : cmc_rank_1

Exigences de Dataset par Action

Overrides de Spec typiques

Les overrides de source de données sont obligatoires pour chaque action — l'agent DOIT construire les chemins de source de données à partir du tableau d'exigences de dataset par action ci-dessus et les inclure dans spec_overrides.

S3_TRAIN = "s3://bucket/data/train"

train (sources de données obligatoires) :

{
    "train.num_epochs": 30,
    "train.checkpoint_interval": 10,
    "train.validation_interval": 10,
    "train.num_gpus": 1,
    "num_classes": 100,
    "num_workers": 4,
    "batch_size": 16,
    "dataset.train_dataset_dir": f"{S3_TRAIN}/sample_train.tar.gz",
    "dataset.test_dataset_dir": f"{S3_TRAIN}/sample_test.tar.gz",
    "dataset.query_dataset_dir": f"{S3_TRAIN}/sample_query.tar.gz",
}

evaluate (sources de données obligatoires) :

{
    "evaluate.test_dataset": f"{S3_TRAIN}/sample_test.tar.gz",
    "evaluate.query_dataset": f"{S3_TRAIN}/sample_query.tar.gz",
}

inference (sources de données obligatoires) :

{
    "inference.test_dataset": f"{S3_TRAIN}/sample_test.tar.gz",
    "inference.query_dataset": f"{S3_TRAIN}/sample_query.tar.gz",
}

Dataset d'évaluation

Obligatoire. L'évaluation nécessite des datasets test et query pour les métriques basées sur la récupération (CMC, mAP).

Paramètres importants

• dataset.num_classes : Nombre d'identités. Par défaut 751. Doit correspondre au nombre d'identités uniques dans les données d'entraînement.
• model.backbone : Par défaut resnet_50.
• optim.base_lr : Taux d'apprentissage de base. Par défaut 3,5e-4.
• dataset.batch_size : Taille de batch par GPU. Par défaut 64. La réidentification bénéficie de gros batches pour un meilleur échantillonnage triplet/contrastif.
• dataset.num_instances : Nombre d'instances par identité dans un batch. Contrôle la stratégie d'échantillonnage pour le metric learning.

Multi-GPU / Multi-Node

Méthode de lancement : Gérée par Lightning (un seul processus python, Lightning lance les workers).

• Stratégie multi-GPU : ddp_find_unused_parameters_true
• sync_batchnorm est toujours activé
• Précision forcée à FP16 (16-mixed)
• Pas de config num_nodes explicite — orientation single-node

Matériel

Minimum 1 GPU, recommandé 2 GPUs. 16 Go+ de VRAM par GPU. Les modèles de réidentification sont relativement légers mais bénéficient de gros batches pour le metric learning.

Modèles d'erreur

Incompatibilité num_classes : Assure-toi que dataset.num_classes égale le nombre de dossiers d'identités uniques dans l'ensemble d'entraînement.

Incompatibilité query/gallery : Les datasets query et test (gallery) doivent partager le même espace de noms d'identités.

Spec Param / Inférence du modèle parent

Les mappages d'inférence spécifiques au modèle appartiennent à ce fichier MD, pas à config.json. Les runners générés doivent lire cette section et appliquer les mappages avec les aides SDK avant create_job(). Cela reflète le flux ancien infer_params.py des microservices.

Mappages d'inférence depuis re_identification.config.json de TAO Core :

Pour parent_model ou parent_model_folder, passe l'ID du job enfant train/export/AutoML en amont comme parent_job_id. Le SDK liste le dossier de résultats parent, filtre les artefacts de checkpoint, et retourne le fichier de modèle sélectionné ou le dossier. N'ajoute pas ces mappages à config.json et ne corrige pas les scripts runner générés pour deviner les chemins de checkpoint.