ShiqiYu/OpenGait

A flexible and extensible framework for gait recognition. You can focus on designing your own models and comparing with state-of-the-arts easily with the help of OpenGait.

OpenGait – 포괄적인 보행 인식 연구 플랫폼

개요 – OpenGait는 보행 인식(걷는 방식으로 사람을 식별하는 기술) 연구를 위한 오픈소스 툴박스입니다. 데이터셋, 모델 구현, 훈련 스크립트, 평가 유틸리티를 함께 제공하여 연구자들이 최신 기법을 빠르게 시도하거나 새로운 기법을 개발할 수 있도록 합니다.

주요 기능

광범위한 데이터셋 지원 – 주요 보행 벤치마크(CASIA‑B, OUMVLP, GREW, Gait3D, GaitLU‑1M, SUSTech1K 등)용 로더를 바로 사용할 수 있습니다.
다수의 SOTA 모델 – 외관 기반, 포즈 기반, 다중 모달 방법(DeepGaitV2, SwinGait, SkeletonGait++, BigGait, FoundationGait, BiggerGait, LidarGait++, DenoisingGait, MultiGait++ 등)의 구현을 제공합니다.
훈련 인프라 – PyTorch 기반으로 분산 데이터 병렬(DDP) 및 자동 혼합 정밀도(AMP)를 지원하며 TensorBoard 로깅을 제공합니다.
모델 Zoo – 대부분의 모델에 대한 사전 훈련된 체크포인트가 Hugging Face에서 호스팅되어 추론이 쉽습니다.
확장성 – 명확한 구성 파일과 '사용자 정의 모델을 만드는 방법' 가이드를 통해 사용자가 맞춤형 아키텍처를 추가할 수 있습니다.

일반적인 워크플로

데이터 준비 – docs/2.prepare_dataset.md 튜토리얼에 따라 지원되는 데이터셋을 다운로드하고 인덱싱합니다.
구성 – docs/3.detailed_config.md의 설명에 따라 YAML 구성(모델, 데이터셋, 훈련 하이퍼파라미터)을 편집합니다.
훈련/테스트 – 제공된 훈련 스크립트를 실행합니다. DDP와 AMP는 다중 GPU 실행 시 자동으로 활성화됩니다.
평가 – 결과는 TensorBoard에 기록되며 모델 Zoo 문서의 공개된 기준선과 비교할 수 있습니다.

중요성 – 보행은 프라이버시를 보호하는 생체 인식입니다. OpenGait는 연구 커뮤니티에 고전적인 CNN에서 대규모 비전 모델 기반의 파운데이션 모델, 나아가 LiDAR 기반 3D 보행까지의 급속한 발전을 추적할 수 있는 통합되고 재현 가능한 플랫폼을 제공합니다. 또한 저장소는 관련 서베이와 벤치마크 논문도 게시하여 사용자가 최신 트렌드를 파악할 수 있도록 합니다.

시작하기 – 리포지토리를 클론하고 requirements.txt(PyTorch ≥ 2.0)를 설치한 후 docs/0.get_started.md를 따르세요. 사전 훈련된 모델은 README에 표시된 Hugging Face 링크에서 다운로드할 수 있습니다.

인용 – 저자는 결과를 게시할 때 CVPR 2023 및 TPAMI 2025 OpenGait 논문을 인용할 것을 요청합니다.