deep-person-reid

deep-person-reid 项目介绍

deep-person-reid 是一个基于 PyTorch 开发的深度学习人员重识别库。该项目由 Kaiyang Zhou 等人开发,最初用于他们 2019 年 ICCV 会议论文《Omni-Scale Feature Learning for Person Re-Identification》的研究工作。

主要特性

• 支持多 GPU 训练
• 同时支持基于图像和视频的人员重识别
• 端到端的训练和评估
• 简化人员重识别数据集的准备过程
• 支持多数据集联合训练
• 支持跨数据集评估
• 采用大多数研究论文使用的标准评测协议
• 高度可扩展性,易于添加新模型、数据集和训练方法
• 实现了多个最先进的深度人员重识别模型
• 提供预训练的人员重识别模型
• 包含高级训练技巧
• 提供可视化工具(如 TensorBoard、排序可视化等)

支持的数据集

该项目支持多种人员重识别数据集,包括:

• 图像数据集:Market1501、CUHK03、DukeMTMC-reID、MSMT17 等
• 视频数据集:MARS、iLIDS-VID、PRID2011 等
• 地理定位数据集:University-1652

支持的模型

deep-person-reid 实现了多种深度学习模型,主要包括:

• 图像分类模型:ResNet、ResNeXt、SENet、DenseNet 等
• 轻量级模型:MobileNetV2、ShuffleNet、SqueezeNet 等
• 专门用于人员重识别的模型:OSNet、PCB、HACNN 等

使用方法

项目提供了统一的训练和测试接口,用户可以通过简单的命令行操作来训练和评估模型。例如,使用以下命令可以在 Market1501 数据集上训练 OSNet 模型:

python scripts/main.py \
--config-file configs/im_osnet_x1_0_softmax_256x128_amsgrad_cosine.yaml \
--transforms random_flip random_erase \
--root $PATH_TO_DATA

项目还支持跨域设置,可以在一个数据集上训练,在另一个数据集上测试。

总结

deep-person-reid 是一个功能丰富、易于使用的人员重识别工具库。它不仅实现了多个先进模型,还提供了全面的训练和评估流程,可以帮助研究人员快速开展人员重识别相关的研究工作。