Person_reID_baseline_pytorch

项目介绍：Person_reID_baseline_pytorch

项目背景

Person_reID_baseline_pytorch 是一个基于 Pytorch 的对象重识别（Object ReID）项目，自2017年以来一直在使用。它被设计为一个小巧、友好的基础代码，尽可能地提高对象重识别的强度、节省资源，同时保持易于使用的特性。该项目支持Python 3.6及以上版本。

项目特点

1. 强大性：该项目的性能相当于几篇顶级会议论文的基础结果，例如 CVPR19、ECCV18 和 CVPR18 的工作。只使用 softmax 损失，项目的 reID 排名第一（Rank@1）达到88.24%，平均精度均值（mAP）为70.68%。

2. 小巧性：借助于 Nvidia 的 apex 技术，项目可以在仅需2GB GPU 内存的情况下完成训练。

3. 友好性：使用者可以通过开箱即用的选项，在一行代码内应用多个最先进的技术。如果您是对象重识别的新手，可以通过项目提供的教程快速上手。

主要功能

训练

• 支持在 Google Colab 使用免费 GPU 进行训练。
• 支持多种网络架构如 Swin Transformer、EfficientNet 和 HRNet。
• 实现了多种损失函数，包括 Circle Loss, Triplet Loss 等。
• 部分卷积基线，随机擦除，线性预热等技巧。

测试

• 支持 TensorRT 和 Pytorch JIT。
• 提供多查询评估、重排序等功能，并可以可视化训练曲线以及排名结果。

快速开始

安装

您需要先安装 Pytorch，并根据项目要求安装依赖包指令：

pip install -r requirements.txt

数据准备

从指定链接下载 Market1501 数据集并准备数据。然后运行以下命令准备数据：

python prepare.py

训练与测试

训练模型的基础命令：

python train.py --gpu_ids 0 --name ft_ResNet50 --train_all --batchsize 32 --data_dir your_data_path

用训练好的模型提取特征进行测试：

python test.py --gpu_ids 0 --name ft_ResNet50 --test_dir your_data_path --batchsize 32 --which_epoch 59

相关信息

引用

如果您在研究中使用了该项目的代码或成果，请引用以下文献：

• Zheng Zhedong 等人，"Joint Discriminative and Generative Learning for Person Re-identification." CVPR, 2019.
• Yifan Sun 等人，"SVDNet for Pedestrian Retrieval." ICCV, 2017.

相关项目

• [Pedestrian Alignment Network]
• [2stream Person re-ID]
• [Pedestrian GAN]
• [Language Person Search]

总结

Person_reID_baseline_pytorch 是一个精致而功能齐全的项目，它不仅性能强大，还能灵活适应不同的硬件条件和应用场景，为研究人员和开发者提供了良好的基础工具。