[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-JDAI-CV--fast-reid":3,"tool-JDAI-CV--fast-reid":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",155373,2,"2026-04-14T11:34:08",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":103,"forks":104,"last_commit_at":105,"license":106,"difficulty_score":10,"env_os":107,"env_gpu":108,"env_ram":107,"env_deps":109,"category_tags":116,"github_topics":118,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":134,"updated_at":135,"faqs":136,"releases":174},7568,"JDAI-CV\u002Ffast-reid","fast-reid","SOTA Re-identification Methods and Toolbox","FastReID 是一个专注于行人重识别（Re-ID）及相关视觉任务的开源研究平台，旨在提供业界最先进的算法实现与工具箱。它解决了传统 Re-ID 研究中代码复现难、训练效率低以及难以跨任务迁移的痛点，帮助开发者快速构建高性能模型。\n\n该工具非常适合计算机视觉领域的研究人员、算法工程师及高校学生使用。无论是进行基础的行人重识别研究，还是拓展至人脸识别、图像检索甚至行人属性分析，FastReID 都能提供强有力的支持。其核心亮点在于基于 PyTorch 从零重构的灵活架构，不仅支持分布式多卡训练以大幅提升速度，还集成了 Vision Transformer 主干网络、自动混合精度训练、模型蒸馏等前沿技术。此外，FastReID 提供了完善的模型库（Model Zoo）和一键部署方案，支持将模型轻松转换为 ONNX 或 TensorRT 格式，方便落地应用。作为一个模块化设计的工具箱，它允许用户像搭积木一样扩展新功能，是探索视觉感知算法的高效利器。","\u003Cimg src=\".github\u002FFastReID-Logo.png\" width=\"300\" >\n\n[![Gitter](https:\u002F\u002Fbadges.gitter.im\u002Ffast-reid\u002Fcommunity.svg)](https:\u002F\u002Fgitter.im\u002Ffast-reid\u002Fcommunity?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)\n\nGitter: [fast-reid\u002Fcommunity](https:\u002F\u002Fgitter.im\u002Ffast-reid\u002Fcommunity?utm_source=share-link&utm_medium=link&utm_campaign=share-link)\n\nWechat: \n\n\u003Cimg src=\".github\u002Fwechat_group.png\" width=\"150\" >\n\n\nFastReID is a research platform that implements state-of-the-art re-identification algorithms. It is a ground-up rewrite of the previous version, [reid strong baseline](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline).\n\n## What's New\n\n- [Sep 2021] [DG-ReID](https:\u002F\u002Fgithub.com\u002Fxiaomingzhid\u002Fsskd) is updated, you can check the [paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2108.05045.pdf).\n- [June 2021] [Contiguous parameters](https:\u002F\u002Fgithub.com\u002FPhilJd\u002Fcontiguous_pytorch_params) is supported, now it can\n  accelerate ~20%.\n- [May 2021] Vision Transformer backbone supported, see `configs\u002FMarket1501\u002Fbagtricks_vit.yml`.\n- [Apr 2021] Partial FC supported in [FastFace](projects\u002FFastFace)!\n- [Jan 2021] TRT network definition APIs in [FastRT](projects\u002FFastRT) has been released! \nThanks for [Darren](https:\u002F\u002Fgithub.com\u002FTCHeish)'s contribution.\n- [Jan 2021] NAIC20(reid track) [1-st solution](projects\u002FNAIC20) based on fastreid has been released！\n- [Jan 2021] FastReID V1.0 has been released！🎉\n  Support many tasks beyond reid, such image retrieval and face recognition. See [release notes](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Freleases\u002Ftag\u002Fv1.0.0).\n- [Oct 2020] Added the [Hyper-Parameter Optimization](projects\u002FFastTune) based on fastreid. See `projects\u002FFastTune`.\n- [Sep 2020] Added the [person attribute recognition](projects\u002FFastAttr) based on fastreid. See `projects\u002FFastAttr`.\n- [Sep 2020] Automatic Mixed Precision training is supported with `apex`. Set `cfg.SOLVER.FP16_ENABLED=True` to switch it on.\n- [Aug 2020] [Model Distillation](projects\u002FFastDistill) is supported, thanks for [guan'an wang](https:\u002F\u002Fgithub.com\u002Fwangguanan)'s contribution.\n- [Aug 2020] ONNX\u002FTensorRT converter is supported.\n- [Jul 2020] Distributed training with multiple GPUs, it trains much faster.\n- Includes more features such as circle loss, abundant visualization methods and evaluation metrics, SoTA results on conventional, cross-domain, partial and vehicle re-id, testing on multi-datasets simultaneously, etc.\n- Can be used as a library to support [different projects](projects) on top of it. We'll open source more research projects in this way.\n- Remove [ignite](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fignite)(a high-level library) dependency and powered by [PyTorch](https:\u002F\u002Fpytorch.org\u002F).\n\nWe write a [fastreid intro](https:\u002F\u002Fl1aoxingyu.github.io\u002Fblogpages\u002Freid\u002Ffastreid\u002F2020\u002F05\u002F29\u002Ffastreid.html) \nand [fastreid v1.0](https:\u002F\u002Fl1aoxingyu.github.io\u002Fblogpages\u002Freid\u002Ffastreid\u002F2021\u002F04\u002F28\u002Ffastreid-v1.html) about this toolbox.\n\n## Changelog\n\nPlease refer to [changelog.md](CHANGELOG.md) for details and release history.\n\n## Installation\n\nSee [INSTALL.md](INSTALL.md).\n\n## Quick Start\n\nThe designed architecture follows this guide [PyTorch-Project-Template](https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002FPyTorch-Project-Template), you can check each folder's purpose by yourself.\n\nSee [GETTING_STARTED.md](GETTING_STARTED.md).\n\nLearn more at out [documentation](https:\u002F\u002Ffast-reid.readthedocs.io\u002F). And see [projects\u002F](projects) for some projects that are build on top of fastreid.\n\n## Model Zoo and Baselines\n\nWe provide a large set of baseline results and trained models available for download in the [Fastreid Model Zoo](MODEL_ZOO.md).\n\n## Deployment\n\nWe provide some examples and scripts to convert fastreid model to Caffe, ONNX and TensorRT format in [Fastreid deploy](tools\u002Fdeploy).\n\n## License\n\nFastreid is released under the [Apache 2.0 license](LICENSE).\n\n## Citing FastReID\n\nIf you use FastReID in your research or wish to refer to the baseline results published in the Model Zoo, please use the following BibTeX entry.\n\n```BibTeX\n@article{he2020fastreid,\n  title={FastReID: A Pytorch Toolbox for General Instance Re-identification},\n  author={He, Lingxiao and Liao, Xingyu and Liu, Wu and Liu, Xinchen and Cheng, Peng and Mei, Tao},\n  journal={arXiv preprint arXiv:2006.02631},\n  year={2020}\n}\n```\n","\u003Cimg src=\".github\u002FFastReID-Logo.png\" width=\"300\" >\n\n[![Gitter](https:\u002F\u002Fbadges.gitter.im\u002Ffast-reid\u002Fcommunity.svg)](https:\u002F\u002Fgitter.im\u002Ffast-reid\u002Fcommunity?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)\n\nGitter: [fast-reid\u002Fcommunity](https:\u002F\u002Fgitter.im\u002Ffast-reid\u002Fcommunity?utm_source=share-link&utm_medium=link&utm_campaign=share-link)\n\n微信:\n\n\u003Cimg src=\".github\u002Fwechat_group.png\" width=\"150\" >\n\n\nFastReID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](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline)的全新重写。\n\n## 新特性\n\n- [2021年9月] 更新了[DG-ReID](https:\u002F\u002Fgithub.com\u002Fxiaomingzhid\u002Fsskd)，相关论文可参见[arXiv预印本](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2108.05045.pdf)。\n- [2021年6月] 支持[Contiguous parameters](https:\u002F\u002Fgithub.com\u002FPhilJd\u002Fcontiguous_pytorch_params)，现在可以加速约20%。\n- [2021年5月] 支持Vision Transformer骨干网络，配置文件位于`configs\u002FMarket1501\u002Fbagtricks_vit.yml`。\n- [2021年4月] 在[FastFace](projects\u002FFastFace)中支持部分FC。\n- [2021年1月] 在[FastRT](projects\u002FFastRT)中发布了TRT网络定义API！感谢[Darren](https:\u002F\u002Fgithub.com\u002FTCHeish)的贡献。\n- [2021年1月] 基于FastReID的NAIC20（reid赛道）[第一名方案](projects\u002FNAIC20)已发布！\n- [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](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Freleases\u002Ftag\u002Fv1.0.0)。\n- [2020年10月] 增加了基于FastReID的[超参数优化](projects\u002FFastTune)，相关代码位于`projects\u002FFastTune`。\n- [2020年9月] 增加了基于FastReID的[人体属性识别](projects\u002FFastAttr)，相关代码位于`projects\u002FFastAttr`。\n- [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。\n- [2020年8月] 支持[模型蒸馏](projects\u002FFastDistill)，感谢[guan'an wang](https:\u002F\u002Fgithub.com\u002Fwangguanan)的贡献。\n- [2020年8月] 支持ONNX\u002FTensorRT转换器。\n- [2020年7月] 支持多GPU分布式训练，训练速度显著提升。\n- 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。\n- 可作为库，在其基础上支持[不同项目](projects)。我们将以这种方式开源更多研究项目。\n- 移除了对[ignite](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fignite)（一个高级库）的依赖，改由[PyTorch](https:\u002F\u002Fpytorch.org\u002F)提供支持。\n\n我们撰写了关于该工具箱的[FastReID简介](https:\u002F\u002Fl1aoxingyu.github.io\u002Fblogpages\u002Freid\u002Ffastreid\u002F2020\u002F05\u002F29\u002Ffastreid.html)以及[FastReID v1.0介绍](https:\u002F\u002Fl1aoxingyu.github.io\u002Fblogpages\u002Freid\u002Ffastreid\u002F2021\u002F04\u002F28\u002Ffastreid-v1.html)。\n\n## 更改日志\n\n详细信息及发布历史请参阅[CHANGELOG.md](CHANGELOG.md)。\n\n## 安装\n\n请参阅[INSTALL.md](INSTALL.md)。\n\n## 快速入门\n\n设计架构遵循此指南[PyTorch-Project-Template](https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002FPyTorch-Project-Template)，您可以自行查看每个文件夹的作用。\n\n请参阅[GETTING_STARTED.md](GETTING_STARTED.md)。\n\n更多信息请访问我们的[文档](https:\u002F\u002Ffast-reid.readthedocs.io\u002F)。此外，您还可以在[projects\u002F](projects)中找到一些基于FastReID构建的项目。\n\n## 模型库与基准\n\n我们在[Fastreid模型库](MODEL_ZOO.md)中提供了大量基准结果和可下载的预训练模型。\n\n## 部署\n\n我们在[Fastreid部署](tools\u002Fdeploy)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。\n\n## 许可证\n\nFastReID采用[Apache 2.0许可证](LICENSE)发布。\n\n## 引用FastReID\n\n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。\n\n```BibTeX\n@article{he2020fastreid,\n  title={FastReID: A Pytorch Toolbox for General Instance Re-identification},\n  author={He, Lingxiao and Liao, Xingyu and Liu, Wu and Liu, Xinchen and Cheng, Peng and Mei, Tao},\n  journal={arXiv preprint arXiv:2006.02631},\n  year={2020}\n}\n```","# FastReID 快速上手指南\n\nFastReID 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\u002FTensorRT）。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+) 或 macOS。\n*   **Python**: 版本 >= 3.6。\n*   **PyTorch**: 版本 >= 1.4 (建议使用较新版本以获得更好性能)。\n*   **CUDA**: 如需使用 GPU 加速，请安装匹配的 CUDA 驱动及 Toolkit。\n*   **其他依赖**: `torchvision`, `yacs`, `tabulate`, `tensorboard` 等。\n\n> **国内加速建议**：\n> 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：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\nFastReID 支持通过源码进行安装，以便灵活配置和扩展功能。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid.git\n    cd fast-reid\n    ```\n\n2.  **安装基础依赖**\n    ```bash\n    pip install -r requirements.txt\n    ```\n    *(可选) 若需开启混合精度训练加速，可安装 apex：*\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex\n    cd apex\n    pip install -v --no-cache-dir .\u002F\n    ```\n\n3.  **安装 FastReID**\n    以可编辑模式安装，方便后续修改代码或添加自定义项目：\n    ```bash\n    pip install -e .\n    ```\n\n## 基本使用\n\nFastReID 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。\n\n### 1. 准备数据\n将数据集（如 Market1501）解压至 `datasets\u002F` 目录下，目录结构通常如下：\n```text\ndatasets\u002F\n    market1501\u002F\n        bounding_box_train\u002F\n        bounding_box_test\u002F\n        query\u002F\n        ...\n```\n\n### 2. 训练模型\n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：\n\n```bash\npython tools\u002Ftrain_net.py --config-file configs\u002FMarket1501\u002Fbagtricks_R50.yml MODEL.DEVICE \"cuda\"\n```\n\n*   `--config-file`: 指定配置文件路径。\n*   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。\n\n### 3. 评估模型\n训练完成后，使用测试脚本评估模型性能：\n\n```bash\npython tools\u002Ftrain_net.py --config-file configs\u002FMarket1501\u002Fbagtricks_R50.yml --eval-only MODEL.WEIGHTS logs\u002Foutput\u002Fmarket1501\u002Fbagtricks_R50\u002Fmodel_final.pth\n```\n\n*   `--eval-only`: 仅执行评估，不进行训练。\n*   `MODEL.WEIGHTS`: 指定训练好的模型权重文件路径。\n\n### 4. 模型部署 (可选)\nFastReID 支持将模型导出为 ONNX 或 TensorRT 格式用于生产环境部署：\n\n```bash\npython tools\u002Fdeploy\u002Fexport_model.py --config-file configs\u002FMarket1501\u002Fbagtricks_R50.yml --output output\u002Fonnx_model\n```\n\n更多高级用法（如超参搜索、属性识别、蒸馏训练等）请参考 `projects\u002F` 目录下的子项目文档。","某大型智慧园区安防团队正在升级其人员轨迹追踪系统，需要从海量监控视频库中快速精准地检索特定目标的跨摄像头行动路线。\n\n### 没有 fast-reid 时\n- **算法迭代缓慢**：团队需从零搭建复现论文代码的框架，每次尝试新的 SOTA（最先进）模型都要耗费数周进行底层调试，难以跟上技术更新。\n- **训练效率低下**：缺乏多 GPU 分布式训练和混合精度训练支持，处理百万级行人数据集时耗时极长，严重拖慢项目交付进度。\n- **部署落地困难**：模型训练完成后，缺少便捷的 ONNX 或 TensorRT 转换工具，导致高精度模型无法在边缘计算设备上实时运行。\n- **功能扩展受限**：除了基础的重识别任务，若想增加人脸检索或车辆属性分析，需重新开发整套流程，代码复用率极低。\n\n### 使用 fast-reid 后\n- **研发大幅提速**：直接调用内置的 BagTricks、Vision Transformer 等基线模型及 Circle Loss 等前沿算法，几天内即可完成新策略的验证与对比。\n- **训练性能飞跃**：利用自带的分布式训练和自动混合精度功能，训练速度提升显著，原本需要数天的实验现在仅需数小时即可产出结果。\n- **端侧部署顺畅**：通过集成的部署工具链，一键将模型转换为 TensorRT 格式，成功在园区边缘网关上实现低延迟的实时人流追踪。\n- **多任务灵活拓展**：基于其模块化架构，团队轻松在同一平台上扩展了人脸识别和车辆重识别任务，统一了技术栈并降低了维护成本。\n\nfast-reid 通过提供一站式的 SOTA 算法库与高效的工程化链路，将安防算法的研发周期从“月级”缩短至“天级”，并打通了从实验室到实际落地的最后一公里。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJDAI-CV_fast-reid_1c7d1fe4.png","JDAI-CV","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FJDAI-CV_d8ba10bc.png","JDAI Computer Vision",null,"http:\u002F\u002Fair.jd.com","https:\u002F\u002Fgithub.com\u002FJDAI-CV",[79,83,87,91,95,99],{"name":80,"color":81,"percentage":82},"Python","#3572A5",86.7,{"name":84,"color":85,"percentage":86},"C++","#f34b7d",11,{"name":88,"color":89,"percentage":90},"Cython","#fedf5b",1.2,{"name":92,"color":93,"percentage":94},"CMake","#DA3434",0.6,{"name":96,"color":97,"percentage":98},"Dockerfile","#384d54",0.4,{"name":100,"color":101,"percentage":102},"Makefile","#427819",0,3893,875,"2026-04-14T09:40:40","Apache-2.0","未说明","需要 NVIDIA GPU（支持分布式训练和 TensorRT 部署），具体型号和显存大小未说明，需安装 CUDA（版本未说明）",{"notes":110,"python":107,"dependencies":111},"该项目移除了 ignite 依赖，完全基于 PyTorch 构建。支持自动混合精度训练（需设置 cfg.SOLVER.FP16_ENABLED=True）。提供将模型转换为 Caffe、ONNX 和 TensorRT 格式的部署工具。详细的安装步骤请参考项目中的 INSTALL.md 文件，README 中未直接列出具体版本要求。",[112,113,114,115],"PyTorch","apex (可选，用于混合精度训练)","TensorRT (可选，用于部署)","ONNX (可选，用于模型转换)",[117,15,14],"其他",[119,120,121,122,123,124,125,126,127,128,129,130,131,132,133],"person-reid","open-reid","re-identification","person-reidentification","image-retrieval","re-ranking","random-erasing","image-search","apex","toolbox","sota","computer-vision","pytorch","baseline","reids","2026-03-27T02:49:30.150509","2026-04-15T07:13:57.275724",[137,142,147,152,157,161,165,170],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},33910,"大规模训练时内存持续增加导致超时或中断，如何解决？","建议参考 NVIDIA Apex 官方文档，使用 Apex 替换 PyTorch 官方的 AMP（自动混合精度）工具来解决内存问题。对于 ResNet50-IBN 等模型，通常需要修改训练脚本中的混合精度设置部分，将原生 AMP 替换为 Apex 的相应接口。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fissues\u002F217",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},33911,"使用自定义 Demo 测试时，发现同一个人和不同人的特征距离都非常小，无法区分，原因是什么？","这通常是因为图像预处理步骤中的“归一化”操作被重复执行了。请检查您的 Demo 代码，确保在数据加载或预处理流程中没有对已经归一化的图像再次进行归一化。删除重复的归一化代码即可解决该问题。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fissues\u002F182",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},33912,"如何配置和训练自己的自定义数据集（Custom Dataset）？","需要继承 `fastreid.data.datasets.bases.ImageDataset` 类并注册数据集。具体步骤：\n1. 定义一个类并使用 `@DATASET_REGISTRY.register()` 装饰器。\n2. 在 `__init__` 方法中生成训练集列表 `train_list` (格式：`(图片路径，pid, camid)`)、查询集 `query_list` 和库集 `gallery_list`。\n3. 调用 `super().__init__(train, query, gallery)` 初始化。\n注意：如果数据集没有摄像头标注，可以将所有 query 的 camid 设为 0，gallery 的 camid 设为 1，以排除同一摄像头下的样本干扰。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fissues\u002F220",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},33913,"运行时报错 'OSError: [Errno 12] Cannot allocate memory' 怎么办？","这是系统内存不足导致的错误。通常发生在数据加载阶段，建议减小配置文件中的 `num_workers` 参数值，以减少多进程数据加载带来的内存开销。此外，需注意 Batch Size 的构成（例如 4 个 ID，每个 ID 16 张图），过大的采样策略也会加剧内存消耗。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fissues\u002F124",{"id":158,"question_zh":159,"answer_zh":160,"source_url":156},33914,"配置文件中的 FREEZE_ITERS 参数有什么作用？","`FREEZE_ITERS` 用于指定在训练开始的多少个迭代步数内冻结骨干网络（Backbone）的参数，只训练其他部分（如头部网络）。这有助于在训练初期稳定特征提取器，防止破坏预训练权重，通常在迁移学习或小数据集训练中非常有用。",{"id":162,"question_zh":163,"answer_zh":164,"source_url":156},33915,"max_iter 参数是如何计算的？它与 Epoch 有什么关系？","`max_iter` 代表总的训练迭代次数。计算公式为：`max_iter = Epoch 数量 * (数据集总样本量 \u002F Batch Size)`。例如，如果一个 Epoch 包含 10 个 iter，想要训练 50 个 Epoch，则 `max_iter` 应设置为 500。",{"id":166,"question_zh":167,"answer_zh":168,"source_url":169},33916,"为什么无法复现论文中 CircleLoss 声称的准确率？","复现结果可能受超参数和具体配置影响。有用户反馈，在使用 BagTricks 基线结合 CircleLoss，并严格遵循给定的配置文件进行训练后，可以达到 Rank-1 94.69% 和 mAP 86.61% 的效果。请确保您的数据预处理、增强策略以及优化器设置与官方提供的配置文件完全一致。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fissues\u002F41",{"id":171,"question_zh":172,"answer_zh":173,"source_url":146},33917,"如何将训练好的模型转换为 ONNX 格式以便部署？","可以通过编写专门的转换脚本实现。脚本需要加载配置文件和模型权重，然后使用 PyTorch 的导出功能。关键点包括：\n1. 正确设置 `cfg` 并冻结配置。\n2. 构建模型并加载 Checkpoint。\n3. 构造符合模型输入的虚拟 Tensor 进行 trace 或 export。\n注意在转换过程中要处理好模型的前向传播逻辑，确保没有不支持的操作。",[175,180,185,190],{"id":176,"version":177,"summary_zh":178,"released_at":179},263794,"v1.3.0","# 功能与改进\n\n## 新功能\n- Vision Transformer 主干网络，配置文件见 `configs\u002FMarket1501\u002Fbagtricks_vit.yml`\n- 带 EMA 更新的自蒸馏\n- 梯度裁剪\n\n## 改进\n- 使用预取线程和 CUDA 流实现更快的数据加载器\n- 在优化器步骤中实现 `freezebackbone` 函数\n- 通过移除 DDP 中的 `find_unused_parameters` 参数，优化 DDP 训练速度\n","2021-05-31T09:38:19",{"id":181,"version":182,"summary_zh":183,"released_at":184},263795,"v1.0.0","# 特性与改进：\n - 内置了[蒸馏](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fblob\u002Fmaster\u002Ffastreid\u002Fmodeling\u002Fmeta_arch\u002Fdistiller.py)和[记忆库](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fblob\u002Fmaster\u002Ffastreid\u002Fmodeling\u002Fmeta_arch\u002Fmoco.py)支持。\n - 在`projects\u002FFastTune`中新增了自动超参数优化功能。\n - 在`projects\u002F`目录下增加了若干扩展任务，包括[人脸识别](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Ftree\u002Fmaster\u002Fprojects\u002FFastFace)、[属性识别](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Ftree\u002Fmaster\u002Fprojects\u002FFastAttr)、[图像分类](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Ftree\u002Fmaster\u002Fprojects\u002FFastCls)、[大修蒸馏](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Ftree\u002Fmaster\u002Fprojects\u002FFastDistill)以及[图像检索](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Ftree\u002Fmaster\u002Fprojects\u002FFastRetri)。\n - 支持混合精度训练（通过`cfg.SOLVER.FP16_ENABLED`配置启用），由`apex`提供支持。\n - 使用`faiss-gpu`加速重排序过程。\n - 将学习率调度器改为按epoch调整，并采用按iter进行warmup的方式。","2021-01-18T05:48:46",{"id":186,"version":187,"summary_zh":188,"released_at":189},263796,"v0.1.1","一些主要特性：\n\n- 分布式数据并行（DDP）训练与评估。\n\n- 模型蒸馏。\n\n- Caffe\u002FONNX\u002FTensorRT 部署。\n\n- 预训练模型发布。","2020-07-30T06:28:16",{"id":191,"version":192,"summary_zh":193,"released_at":194},263797,"v0.1","一些主要特性：\n\n- 高度模块化设计。\n\n- 在常规行人重识别、跨域行人重识别、部分行人重识别和车辆重识别任务上均取得当前最优性能。\n\n- 支持多GPU同时进行训练，并可在多个数据集上进行测试。\n\n- 采用大多数论文所使用的标准数据集划分方式。\n\n- 提供可视化方法，包括排序列表和标注可视化。\n\n- 拥有丰富的评估指标，包括CMC、mAP、mINP和ROC曲线。","2020-05-29T02:56:29"]