LibFewShot

让少样本学习变得简单。

LibFewShot：一个全面的少样本学习库。 Wenbin Li, Ziyi Wang, Xuesong Yang, Chuanqi Dong, Pinzhuo Tian, Tiexin Qin, Jing Huo, Yinghuan Shi, Lei Wang, Yang Gao, Jiebo Luo. 载于 TPAMI 2023。

支持的方法

非轮次方法（即基于微调的方法）

• Baseline (ICLR 2019)
• Baseline++ (ICLR 2019)
• RFS (ECCV 2020)
• SKD (BMVC 2021)
• Negcos (ECCV 2020)
• S2M2 (WACV 2020)
• Meta-Baseline (ICCV 2021)
• Diffkendall(NeurIPS 2023)

基于元学习的方法

• MatchingNet (NeurIPS 2016)
• MAML (ICML 2017)
• Versa (NeurIPS 2018)
• R2D2 (ICLR 2019)
• LEO (ICLR 2019)
• MTL (CVPR 2019)
• ANIL (ICLR 2020)
• IFSL(NeurIPS 2020)
• BOIL (ICLR 2021)
• MeTAL (ICCV 2021)

基于度量学习的方法

• ProtoNet (NeurIPS 2017)
• RelationNet (CVPR 2018)
• ConvaMNet (AAAI 2019)
• DN4 (CVPR 2019)
• CAN (NeurIPS 2019)
• ATL-Net (IJCAI 2020)
• ADM (IJCAI 2020)
• DSN (CVPR 2020)
• FEAT (CVPR 2020)
• RENet (ICCV 2021)
• FRN (CVPR 2021)
• DeepBDC (CVPR 2022)
• MCL (CVPR 2022)
• CPEA (ICCV 2023)

快速安装

请参阅 install.md(安装)以获取安装说明。

完整的教程可在 document(中文文档)中找到。

复现

我们在 reproduce 中提供了一些经过验证的配置文件，请参阅 ./reproduce/<Method_Name>/README.md 以获取更多信息。符号含义如下：

:book: 论文中报告的准确率。

:computer: 我们自己报告的准确率。

:arrow_down: 下载检查点文件夹的超链接。（包含 config.yaml、model_best.pth 和训练/测试日志）

:clipboard: 配置文件的超链接。

您也可以在 model_zoo 中找到这些检查点。

数据集

Caltech-UCSD Birds-200-2011, Standford Cars, Standford Dogs, miniImageNet, tieredImageNet 和 WebCaricature 可在 Google Drive 和 百度网盘（提取码：yr1w） 上获取。

贡献

欢迎贡献任何功能或改进，代码风格请遵循 PEP 8。有关贡献指南，请参阅 contributing.md(贡献代码)。

许可证

本项目采用 MIT 许可证。详情请参阅 LICENSE 文件。

致谢

LibFewShot 是一个开源项目，旨在帮助少样本学习研究人员快速理解经典方法和代码结构。我们欢迎其他贡献者使用此框架实现自己的或其他优秀方法，并将其添加到 LibFewShot 中。该库仅可用于学术研究。我们欢迎在使用 LibFewShot 过程中提出任何反馈，并将尽最大努力不断改进该库。

引用

如果您在研究中使用此代码，请引用我们的论文。

@article{li2021LibFewShot,
title = {LibFewShot: A Comprehensive Library for Few-Shot Learning},
author={Li, Wenbin and Wang, Ziyi and Yang, Xuesong and Dong, Chuanqi and Tian, Pinzhuo and Qin, Tiexin and Huo Jing and Shi, Yinghuan and Wang, Lei and Gao, Yang and Luo, Jiebo},
journal = {IEEE Transactions on Pattern Analysis & Machine Intelligence},
year = {2023},
number = {01},
issn = {1939-3539},
pages = {1-18}
}

LibFewShot 快速上手指南

LibFewShot 是一个全面的少样本学习（Few-Shot Learning）开源库，旨在帮助研究者快速复现经典算法并理解代码结构。本指南将协助您快速完成环境搭建与基础运行。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 18.04+) 或 macOS。
• Python 版本：Python 3.7 或更高版本。
• 深度学习框架：PyTorch (具体版本建议参考官方文档，通常兼容主流稳定版)。
• 其他依赖：numpy, scipy, scikit-learn, tqdm, tensorboardX 等常用科学计算库。

提示：建议使用虚拟环境（如 conda 或 venv）以避免依赖冲突。

2. 安装步骤

方式一：从源码安装（推荐）

克隆仓库并安装依赖：

git clone https://github.com/UCSC-VLAA/LibFewShot.git
cd LibFewShot
pip install -r requirements.txt

方式二：使用国内镜像加速

如果您在中国大陆地区，推荐使用清华或阿里镜像源加速依赖安装：

git clone https://github.com/UCSC-VLAA/LibFewShot.git
cd LibFewShot
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：完整的安装细节和特定版本的兼容性说明，请参阅 官方中文安装文档。

3. 基本使用

LibFewShot 支持多种少样本学习方法，包括基于微调（Non-episodic）、元学习（Meta-learning）和度量学习（Metric-learning）的方法。

数据集准备

首先，您需要下载支持的数据集（如 miniImageNet, tieredImageNet, CUB 等）。 官方提供了 Google Drive 和百度网盘下载地址：

• 百度网盘: 下载链接 (提取码：yr1w)

下载后，请将数据集解压至项目目录下的 data/ 文件夹，或根据您的配置文件修改数据路径。

运行示例

库中提供了经过验证的配置文件，位于 reproduce/ 目录下。以下以运行 ProtoNet (一种经典的度量学习方法) 在 miniImageNet 数据集上的 5-way 1-shot 任务为例：

1. 定位配置文件： 找到对应的配置目录，例如 ./reproduce/ProtoNet/。

2. 执行训练/测试命令： 使用提供的脚本加载配置运行。假设主入口脚本为 main.py（具体脚本名请以仓库实际结构为准，通常为 train.py 或 main.py）：

python main.py --config ./reproduce/ProtoNet/config.yaml

或者，如果仓库提供了特定的运行脚本：

sh scripts/run_protonet.sh

结果复现与模型加载

• 预训练模型：您可以从 Model Zoo 下载已训练好的检查点（包含 config.yaml, model_best.pth 及日志）。
• 符号说明：
  • 📕 : 论文报告的准确率
  • 💻 : 本项目复现的准确率
  • ⬇️ : 检查点下载链接
  • 📋 : 配置文件链接

更多详细教程、API 文档及自定义方法指南，请访问 LibFewShot 中文文档。