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

這是什麼倉儲？

Person ReID Baseline (PyTorch) 是一個用於 物件再識別（在不同攝影機視角之間匹配同一個人（或其它物件）的影像）的開源程式碼庫。它提供了一個緊湊、開箱即用的實作，包含了自 2017 年以來研究文獻中已成為標準的多種技巧，全部基於 PyTorch 建構。

主要亮點（來自 README）

方面	詳細
目標	提供一個強大（達到最尖端性能）、小巧（使用 bf16/fp16 時約佔用 2 GB GPU 記憶體）、友善（輕鬆啟用/停用技巧）的人體再識別基準。
性能	僅使用 softmax 損失，該基準在 Market‑1501 基準上達到 Rank@1 ≈ 88 %，mAP ≈ 71 %。
支援模型	ResNet、ResNet‑IBN、DenseNet、HRNet、EfficientNet、Swin Transformer、Swin‑V2、ConvNeXt、DinoV3 等。
損失函數	交叉熵、Circle、三元組、對比、Sphere、Lifted、ArcFace、CosFace、實例等。
訓練技巧	bf16/fp16、隨機擦除、線性預熱、torch.compile、DDP（多 GPU）、合成 DG‑Market 資料集、對抗訓練等。
推理 / 測試	TensorRT、PyTorch JIT、Conv‑BN 融合、多查詢評估、GPU 加速重排序、排名和熱力圖可視化。
資源	8 分鐘教學、中文影片、免費 GPU 訓練用 Colab 記事本、預訓練模型下載。
授權	MIT 許可證。
社群	超過 2,500 次引用，數千個 GitHub 星標，更新歷史可追溯至 2026 年（例如支援 DinoV3）。

如何快速上手（快速開始）

安裝 – 克隆倉儲並安裝所需的 Python 套件（PyTorch ≥ 1.8，以及列出的相依性）。
準備資料 – 按照 Dataset Preparation 部分下載並格式化一個再識別資料集，例如 Market‑1501。

訓練 – 執行單一指令，例如：

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

加入 --fp16、--circle、--DG、--usam 等標誌以啟用特定技巧。

測試 / 評估 – 訓練完成後，使用以下指令評估：

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

可視化 – 使用提供的示範腳本查看排名結果或熱力圖。

誰會用到這個？

需要可靠基準來對比新再識別想法的研究人員。
希望獲得即用型、記憶體高效模型用於部署（例如在邊緣 GPU 上）的實務者。
尋找教學式程式碼庫以學習常見電腦視覺訓練技巧的學生。

為什麼重要？

人物再識別是許多監控、零售分析和自動駕駛感知流程的核心組件。透過將廣泛的現代架構、損失函數和效能最佳化技巧整合到一個文件齊全的倉儲中，此專案降低了入門門檻，加速了實驗進程。

引用

如果在出版物中使用程式碼或預訓練模型，請依照 README 中的指示引用該倉儲（作者提供了可直接複製的 BibTeX 條目）。