layumi/Person_reID_baseline_pytorch

:bouncing_ball_person: Pytorch ReID: A tiny, friendly, strong pytorch implement of person re-id / vehicle re-id baseline. Tutorial 👉https://github.com/layumi/Person_reID_baseline_pytorch/tree/master/tutorial

这是什么仓库？

Person ReID Baseline (PyTorch) 是一个用于 对象再识别（在不同摄像头视角之间匹配同一人物（或其他对象）的图像）的开源代码库。它提供了一个紧凑、开箱即用的实现，包含了自2017年以来研究文献中已成为标准的多种技巧，全部基于 PyTorch 构建。

主要亮点（来自 README）

方面	详情
目标	提供一个强大（达到最先进性能）、小巧（使用 bf16/fp16 时约占用 2 GB GPU 内存）、友好（轻松开启/关闭技巧）的人体再识别基线。
性能	仅使用 softmax 损失，该基线在 Market‑1501 基准上达到 Rank@1 ≈ 88 %，mAP ≈ 71 %。
支持模型	ResNet、ResNet‑IBN、DenseNet、HRNet、EfficientNet、Swin Transformer、Swin‑V2、ConvNeXt、DinoV3 等。
损失函数	交叉熵、Circle、三元组、对比、Sphere、Lifted、ArcFace、CosFace、实例等。
训练技巧	bf16/fp16、随机擦除、线性预热、torch.compile、DDP（多 GPU）、合成 DG‑Market 数据集、对抗训练等。
推理 / 测试	TensorRT、PyTorch JIT、Conv‑BN 融合、多查询评估、GPU 加速重排序、排名和热力图可视化。
资源	8 分钟教程、中文视频、免费 GPU 训练用 Colab 笔记本、预训练模型下载。
许可	MIT 许可证。
社区	超过 2,500 次引用，数千个 GitHub 星标，更新历史可追溯至 2026 年（例如支持 DinoV3）。

如何快速上手（快速开始）

安装 – 克隆仓库并安装所需的 Python 包（PyTorch ≥ 1.8，以及列出的依赖项）。
准备数据 – 按照 Dataset Preparation 部分下载并格式化一个再识别数据集，例如 Market‑1501。

训练 – 运行单条命令，例如：

python train.py --train_all               # 原生 ResNet‑50
python train.py --use_swin --name swin   # Swin‑Transformer 模型

添加 --fp16、--circle、--DG、--usam 等标志以启用特定技巧。

测试 / 评估 – 训练完成后，使用以下命令评估：

python test.py --name <model_name>
python evaluate_gpu.py               # 快速 GPU 重排序

可视化 – 使用提供的演示脚本查看排名结果或热力图。

谁会用到这个？

需要可靠基线来对比新再识别想法的研究人员。
希望获得即用型、内存高效模型用于部署（例如在边缘 GPU 上）的实践者。
寻找教程式代码库以学习常见计算机视觉训练技巧的学生。

为什么重要？

人物再识别是许多监控、零售分析和自动驾驶感知流水线的核心组件。通过将广泛的现代架构、损失函数和性能优化技巧整合到一个文档齐全的仓库中，该项目降低了入门门槛，加速了实验进程。

引用

如果在出版物中使用代码或预训练模型，请按照 README 中的指示引用该仓库（作者提供了可直接复制的 BibTeX 条目）。