ShiqiYu/OpenGait

OpenGait – 全面的步态识别研究平台

简介 – OpenGait 是一个用于研究步态识别（通过走路方式识别人物）的开源工具包。它整合了数据集、模型实现、训练脚本和评估工具，使研究人员能够快速尝试最先进的方法或开发新方法。

主要功能

• 广泛的数据集支持 – 为主要步态基准（CASIA‑B、OUMVLP、GREW、Gait3D、GaitLU‑1M、SUSTech1K 等）提供即用型加载器。
• 众多 SOTA 模型 – 实现基于外观、姿态和多模态的方法，如 DeepGaitV2、SwinGait、SkeletonGait++、BigGait、FoundationGait、BiggerGait、LidarGait++、DenoisingGait、MultiGait++ 等。
• 训练基础设施 – 基于 PyTorch，支持分布式数据并行（DDP）和自动混合精度（AMP），并提供 TensorBoard 日志记录。
• 模型库 – 大多数模型的预训练检查点托管在 Hugging Face 上，便于推理。
• 可扩展性 – 清晰的配置文件和“如何创建自定义模型”指南，使用户可以插入自定义架构。

典型工作流程

1. 准备数据 – 按照 docs/2.prepare_dataset.md 教程下载并索引支持的数据集。
2. 配置 – 根据 docs/3.detailed_config.md 的说明编辑 YAML 配置（模型、数据集、训练超参数）。
3. 训练/测试 – 运行提供的训练脚本；多 GPU 运行时自动启用 DDP 和 AMP。
4. 评估 – 结果记录在 TensorBoard 中，可与模型库文档中的已发表基线进行比较。

重要性 – 步态是一种保护隐私的生物特征；OpenGait 为研究社区提供了统一、可复现的平台，跟踪从经典 CNN 到基于大型视觉模型的基础模型，甚至基于 LiDAR 的 3D 步态的快速发展。该仓库还发布了配套的综述和基准论文，让用户及时了解最新趋势。

开始使用 – 克隆仓库，安装 requirements.txt（PyTorch ≥ 2.0），并遵循 docs/0.get_started.md。预训练模型可从 README 中显示的 Hugging Face 链接下载。

引用 – 作者要求用户在发表结果时引用 CVPR 2023 和 TPAMI 2025 的 OpenGait 论文。