PyContrast

本仓库列出了近期的对比学习论文，并提供了其中许多论文的代码。

论文列表

在 AWESOME_CONTRASTIVE_LEARNING.md 中查找精彩的对比学习论文。

PyTorch 代码

有关当前最先进方法（例如 InstDis、CMC、MoCo 等）的参考实现，请参阅 pycontrast。

预训练模型

提供了一组 ImageNet 上的无监督预训练模型。请在 模型库 中查找。

目标检测

无监督预训练模型在 PASCAL VOC 和 COCO 数据集上的表现优于有监督预训练模型。详情请参阅 detection。

PyContrast 快速上手指南

PyContrast 是一个汇集了最新对比学习（Contrastive Learning）论文及其参考代码的开源项目，提供了包括 InstDis、CMC、MoCo 等主流方法的 PyTorch 实现。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 18.04+) 或 macOS
• Python 版本：Python 3.6+
• 深度学习框架：PyTorch 1.4+
• 硬件要求：建议使用支持 CUDA 的 NVIDIA GPU 以加速训练和推理

前置依赖安装： 建议先安装基础的视觉处理库。国内用户可使用清华源或阿里源加速安装。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision pillow opencv-python

安装步骤

克隆仓库并安装项目依赖：

# 克隆仓库
git clone https://github.com/HobbitLong/PyContrast.git
cd PyContrast

# 安装核心依赖
pip install -r requirements.txt

提示：若 requirements.txt 下载缓慢，可手动编辑该文件，将源地址替换为国内镜像源后再次执行安装命令。

基本使用

本项目核心代码位于 pycontrast 目录下。以下以运行 MoCo (Momentum Contrast) 在 CIFAR-10 数据集上的无监督预训练为例，展示最基础的使用流程。

1. 准备数据 确保数据集已下载并放置在指定目录，或使用代码自动下载。

2. 运行训练脚本 进入 pycontrast 目录，执行以下命令启动训练：

cd pycontrast

# 示例：在 CIFAR-10 上运行 MoCo v2
python main_moco.py \
  --dataset cifar10 \
  --arch resnet18 \
  --batch-size 256 \
  --lr 0.03 \
  --epochs 200 \
  --moco-k 4096 \
  --mlp \
  --aug-plus \
  --cos

3. 加载预训练模型进行微调 训练完成后，您可以使用生成的检查点（checkpoint）进行下游任务（如分类或检测）的微调。项目 model zoo 中也提供了在 ImageNet 上预训练好的模型供直接下载使用。

# 示例：使用预训练权重进行线性评估（Linear Evaluation）
python main_linear.py \
  --dataset cifar10 \
  --arch resnet18 \
  --pretrained ./save_models/moco_cifar10/checkpoint_0199.pth.tar

更多高级用法（如目标检测任务适配）请参考 pycontrast/detection 目录下的具体文档。