caffe+keras
python 2.7
numpy 1.14.2
opencv 3.4.0
cuda9.0
cudnn 7.0

使用InceptionV4举例，该网络在复赛中可以实现94.11的准确率。

1. 训练网络使用training.sh

修改相应的路径，即Log、TOOLS、-weights后面的路径，其中，Inception-V4的pretrain-model请到caffe-model下载 。
使用方法bash training.sh [solver][Class][GPU]。
solver ： solver文件路径，本代码中存放于solver文件夹
class： 类别名，用来命名log日志文件，即neck,collar...
GPU ： GPU的型号，如0,1,2
2. caffe源码处理

caffe，并用文件中的src和include文件夹替换caffe中的src和include。src和include主要修改图片预处理部分，并开始支持多label输入。
3. 训练网络的solver文件夹

修改net:后面的路径，替换为相应的根目录。修改snapshot_prefix路径。
4. train文件夹

即相应的网络结构，修改训练文件的路径，在data/train/中
5. deployV4文件夹

测试用的网络结构。
6. test.py

12-crop测试使用的程序。修改里面对应的路径即可。修改好路径可以直接python test.py运行
7. tools文件夹

初赛和复赛使用的一些小程序，里面包含复赛使用的双模型融合程序，以及初赛使用的多模型融合程序，以及相应的多属性标签的制作程序。

注：由于有8个属性，如果使用多任务训练，则拥有8个训练标签，不属于当前图片的label置-1，属于当前label的从0开始计数，具体请参考data/train/中的txt

请参考培文大佬源码：
Keras代码
直接可用，效果低于InceptionV4，不过也不错。

切割的大图部分请参考MaskRCNN代码
小图请参考CPN代码