Gitter: fast-reid/community

微信:

FastReID是一个实现最先进重识别算法的研究平台。它是对先前版本reid strong baseline的全新重写。

新特性

• [2021年9月] 更新了DG-ReID，相关论文可参见arXiv预印本。
• [2021年6月] 支持Contiguous parameters，现在可以加速约20%。
• [2021年5月] 支持Vision Transformer骨干网络，配置文件位于configs/Market1501/bagtricks_vit.yml。
• [2021年4月] 在FastFace中支持部分FC。
• [2021年1月] 在FastRT中发布了TRT网络定义API！感谢Darren的贡献。
• [2021年1月] 基于FastReID的NAIC20（reid赛道）第一名方案已发布！
• [2021年1月] FastReID V1.0正式发布！🎉 支持多种任务，包括图像检索和人脸识别等。详情请参阅发布说明。
• [2020年10月] 增加了基于FastReID的超参数优化，相关代码位于projects/FastTune。
• [2020年9月] 增加了基于FastReID的人体属性识别，相关代码位于projects/FastAttr。
• [2020年9月] 通过apex支持自动混合精度训练。将cfg.SOLVER.FP16_ENABLED=True即可开启。
• [2020年8月] 支持模型蒸馏，感谢guan'an wang的贡献。
• [2020年8月] 支持ONNX/TensorRT转换器。
• [2020年7月] 支持多GPU分布式训练，训练速度显著提升。
• 包含更多功能，如circle loss、丰富的可视化方法和评估指标；在常规、跨域、部分目标及车辆重识别任务上均取得SOTA结果；支持同时在多个数据集上进行测试等。
• 可作为库，在其基础上支持不同项目。我们将以这种方式开源更多研究项目。
• 移除了对ignite（一个高级库）的依赖，改由PyTorch提供支持。

我们撰写了关于该工具箱的FastReID简介以及FastReID v1.0介绍。

更改日志

详细信息及发布历史请参阅CHANGELOG.md。

安装

请参阅INSTALL.md。

快速入门

设计架构遵循此指南PyTorch-Project-Template，您可以自行查看每个文件夹的作用。

请参阅GETTING_STARTED.md。

更多信息请访问我们的文档。此外，您还可以在projects/中找到一些基于FastReID构建的项目。

模型库与基准

我们在Fastreid模型库中提供了大量基准结果和可下载的预训练模型。

部署

我们在Fastreid部署中提供了一些示例和脚本，用于将FastReID模型转换为Caffe、ONNX和TensorRT格式。

许可证

FastReID采用Apache 2.0许可证发布。

引用FastReID

如果您在研究中使用了FastReID，或希望引用模型库中发布的基准结果，请使用以下BibTeX条目。

@article{he2020fastreid,
  title={FastReID: A Pytorch Toolbox for General Instance Re-identification},
  author={He, Lingxiao and Liao, Xingyu and Liu, Wu and Liu, Xinchen and Cheng, Peng and Mei, Tao},
  journal={arXiv preprint arXiv:2006.02631},
  year={2020}
}

FastReID 快速上手指南

FastReID 是一个基于 PyTorch 重构的通用实例重识别（Re-ID）研究平台，支持行人重识别、图像检索、人脸识别等多种任务。它提供了最先进的算法实现、丰富的可视化方法及评估指标，并支持分布式训练和模型部署（ONNX/TensorRT）。

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 >= 3.6。
• PyTorch: 版本 >= 1.4 (建议使用较新版本以获得更好性能)。
• CUDA: 如需使用 GPU 加速，请安装匹配的 CUDA 驱动及 Toolkit。
• 其他依赖: torchvision, yacs, tabulate, tensorboard 等。

国内加速建议： 安装 Python 依赖时，推荐使用清华或阿里镜像源以加快下载速度：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

FastReID 支持通过源码进行安装，以便灵活配置和扩展功能。

1. 克隆仓库

   git clone https://github.com/JDAI-CV/fast-reid.git
   cd fast-reid
   

2. 安装基础依赖

   pip install -r requirements.txt
   

   (可选) 若需开启混合精度训练加速，可安装 apex：

   git clone https://github.com/NVIDIA/apex
   cd apex
   pip install -v --no-cache-dir ./
   

3. 安装 FastReID 以可编辑模式安装，方便后续修改代码或添加自定义项目：

   pip install -e .
   

基本使用

FastReID 采用配置文件驱动的方式运行。以下是在 Market-1501 数据集上训练和测试基线模型的最简示例。

1. 准备数据

将数据集（如 Market1501）解压至 datasets/ 目录下，目录结构通常如下：

datasets/
    market1501/
        bounding_box_train/
        bounding_box_test/
        query/
        ...

2. 训练模型

使用提供的配置文件启动训练。以下命令使用默认配置在单卡或多卡（自动检测）上训练：

python tools/train_net.py --config-file configs/Market1501/bagtricks_R50.yml MODEL.DEVICE "cuda"

• --config-file: 指定配置文件路径。
• 若要开启混合精度训练（需已安装 apex），可在配置中设置 cfg.SOLVER.FP16_ENABLED=True 或通过命令行覆盖参数。

3. 评估模型

训练完成后，使用测试脚本评估模型性能：

python tools/train_net.py --config-file configs/Market1501/bagtricks_R50.yml --eval-only MODEL.WEIGHTS logs/output/market1501/bagtricks_R50/model_final.pth

• --eval-only: 仅执行评估，不进行训练。
• MODEL.WEIGHTS: 指定训练好的模型权重文件路径。

4. 模型部署 (可选)

FastReID 支持将模型导出为 ONNX 或 TensorRT 格式用于生产环境部署：

python tools/deploy/export_model.py --config-file configs/Market1501/bagtricks_R50.yml --output output/onnx_model

更多高级用法（如超参搜索、属性识别、蒸馏训练等）请参考 projects/ 目录下的子项目文档。