[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mangye16--ReID-Survey":3,"tool-mangye16--ReID-Survey":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161692,"2026-04-20T11:33:57",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"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":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":103,"github_topics":104,"view_count":24,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":147},10211,"mangye16\u002FReID-Survey","ReID-Survey","Deep Learning for Person Re-identification:  A Survey and Outlook ","ReID-Survey 是一个专注于行人重识别（Re-ID）领域的开源知识库与代码库，旨在系统梳理深度学习在该方向的研究进展。它主要解决了研究人员在面对海量文献时难以全面掌握技术脉络、缺乏统一实验标准以及复现高质量基线模型困难等痛点。\n\n该资源特别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。其核心内容涵盖两大部分：一是针对 2016 至 2020 年传统深度学习方法的全景综述，提出了评估难匹配样本能力的 mINP 新指标，并开源了具有竞争力的 AGW 基线模型；二是聚焦 2024 年最新的 Transformer 架构应用，深入分析了其在图像、视频、跨模态及小数据场景下的优势，并提供了名为 UntransReID 的无监督学习新基线。此外，项目还建立了动物重识别的统一实验标准，拓展了技术应用边界。通过提供详尽的论文解读、性能对比数据及可运行的代码实现，ReID-Survey 帮助用户快速理解前沿技术，高效开展算法研究与创新。","# IJCV 2024: Transformer-based ReID Survey\n\nTransformer for Object Re-Identification: A Survey. [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.06960v2)\n\n- An implementation of UntransReID for unsupervised Re-ID is [HERE](https:\u002F\u002Fgithub.com\u002Fwhucsy\u002FReID-Survey\u002Ftree\u002Fmaster\u002FTransformer-ReID-Survey\u002FUnTransReID_USL_ReID).\n  \n- An implementation of UntransReID for cross-modality visible-infrared unsupervised Re-ID is [HERE](https:\u002F\u002Fgithub.com\u002Fwhucsy\u002FReID-Survey\u002Ftree\u002Fmaster\u002FTransformer-ReID-Survey\u002FUnTransReID_VI_ReID).\n\n- An implementation of the unified experimental standard for animal Re-ID is [HERE](https:\u002F\u002Fgithub.com\u002Fwhucsy\u002FReID-Survey\u002Ftree\u002Fmaster\u002FTransformer-ReID-Survey\u002FAnimal-Re-ID-main).\n  \n## Highlights\n\n- An in-depth analysis of Transformer's strengths, highlighting its impact across four key Re-ID directions: image\u002Fvideo-based, limited data\u002Fannotations, cross-modal, and special scenarios.\n\n- A new Transformer-based unsupervised baseline, UntransReID, achieving state-of-the-art performance on both single\u002Fcross modal Re-ID.\n\n- A unified experimental standard for animal Re-ID, designed to address its unique challenges and evaluate the potential of Transformer-based approaches.\n\n### Citation\n\nPlease kindly cite this paper in your publications if it helps your research:\n```\n@article{ye2024transformer,\n  title={Transformer for Object Re-Identification: A Survey},\n  author={Ye, Mang and Chen, Shuoyi and Li, Chenyue and Zheng, Wei-Shi and Crandall, David and Du, Bo},\n  journal={arXiv preprint arXiv:2401.06960},\n  year={2024}\n}\n```\n\n# TPAMI 2021 ReID-Survey with a Powerful AGW Baseline\nDeep Learning for Person Re-identification:  A Survey and Outlook. PDF with supplementary materials. [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193v2)\n\n- An implementation of AGW for cross-modality visible-infrared Re-ID is [HERE](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FCross-Modal-Re-ID-baseline).\n\n- An implementation of AGW for video Re-ID is [HERE](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Ftree\u002Fmaster\u002Fvideo-reid-AWG)\n\n- An implementation of AGW for partial Re-ID is [HERE](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fblob\u002Fmaster\u002FExperiment-AGW-partial.sh).\n\nA simplified introduction in Chinese on [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F342249413).\n\n## Highlights\n\n- A comprehensive survey with in-depth analysis for closed- and open-world person Re-ID in recent years (2016-2020).\n\n- A new evaluation metric, namely mean Inverse Negative Penalty (mINP), which measures the ability to find the hardest correct match.\n\n- A new AGW baseline with non-local Attention block, Generalized mean pooling and Weighted regularization triplet. It acheieves competitive performance on FOUR challenging Re-ID tasks, including single-modality image-based Re-ID, video-based Re-ID, Partial Re-ID and [cross-modality](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FCross-Modal-Re-ID-baseline) Re-ID.\n\n\n## AGW on Single-Modality Image Re-ID with mINP\n\n#### DukeMTMC dataset\n\n|Method    | Pretrained| Rank@1  | mAP |  mINP |  Model| Paper\n| --------   | -----    | -----  |  -----  | ----- |------|------------------------|\n|BagTricks     | ImageNet | 86.4% | 76.4%|  40.7% |[Code](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |Bag of Tricks and A Strong Baseline for Deep Person Re-identification. In ArXiv 19. [PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|ABD-Net     | ImageNet | 89.0% | 78.6%| 42.1% | [Code](https:\u002F\u002Fgithub.com\u002FTAMU-VITA\u002FABD-Net) |ABD-Net: Attentive but Diverse Person Re-Identification. In ICCV 19. [PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.01114)|\n|AGW     | ImageNet | 89.0%  | 79.6% | 45.7% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1q3n_acTe-vaEeIpkJG2k0HqSEZrTJoGA)| Deep Learning for Person Re-identification:  A Survey and Outlook  |\n\n#### Market-1501 dataset\n\n|Method    | Pretrained| Rank@1  | mAP |  mINP |  Model| Paper\n| --------   | -----    | -----  |  -----  | ----- |------|------|\n|BagTricks     | ImageNet | 94.5% | 85.9%|  59.4% |[Code](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |Bag of Tricks and A Strong Baseline for Deep Person Re-identification. In ArXiv 19. [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|ABD-Net     | ImageNet | 95.6% | 88.3%|  66.2% | [Code](https:\u002F\u002Fgithub.com\u002FTAMU-VITA\u002FABD-Net) |ABD-Net: Attentive but Diverse Person Re-Identification. In ICCV 19. [PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.01114)|\n|AGW     | ImageNet | 95.1%  | 87.8% | 65.0% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1Ymt2q3k0uBpaw5hCVscl0a29uKI1cRPA)| Deep Learning for Person Re-identification:  A Survey and Outlook. In ArXiv 20. [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193) |\n\n\n#### CUHK03 dataset\n\n|Method    | Pretrained| Rank@1  | mAP |  mINP |  Model| Paper\n| --------   | -----    | -----  |  -----  | ----- |------|------|\n|BagTricks     | ImageNet | 58.0% | 56.6%|  43.8% |[Code](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |Bag of Tricks and A Strong Baseline for Deep Person Re-identification. In ArXiv 19. [PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|AGW     | ImageNet | 63.6%  | 62.0% | 50.3% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1Uyq_JBM2N1JL-buYWkLZFMd7N-eMjOUZ)| Deep Learning for Person Re-identification:  A Survey and Outlook. In ArXiv 20. [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193)   |\n\n#### MSMT17 dataset\n\n|Method    | Pretrained| Rank@1  | mAP |  mINP |  Model| Paper\n| --------   | -----    | -----  |  -----  | ----- |------|------|\n|BagTricks     | ImageNet | 63.4% | 45.1%|  12.4% |[Code](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |Bag of Tricks and A Strong Baseline for Deep Person Re-identification. In ArXiv 19. [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|AGW     | ImageNet | 68.3% | 49.3%|  14.7% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1xw-t7gVkEghkgHai0nL28VhpS7mBHNG8)| Deep Learning for Person Re-identification:  A Survey and Outlook. In ArXiv 20. [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193)   |\n\n### Quick Start\n\n#### 1. Prepare dataset \nCreate a directory to store reid datasets under this repo, taking Market1501 for example\n```\ncd ReID-Survey\nmkdir toDataset\n```\n- Set ```_C.DATASETS.ROOT_DIR = ('.\u002FtoDataset')``` in```config\u002Fdefaults.py```\n- Download dataset to toDataset\u002F from [http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html](http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html)\n\n- Extract dataset and rename to ```market1501```. The data structure would like:\n```\ntoDataset\n    market1501 \n        bounding_box_test\u002F\n        bounding_box_train\u002F\n        ......\n```\n\nPartial-REID and Partial-iLIDS datasets are provided by https:\u002F\u002Fgithub.com\u002Flingxiao-he\u002FPartial-Person-ReID\n\n#### 2. Install dependencies\n\n  - pytorch=1.0.0\n  - torchvision=0.2.1\n  - pytorch-ignite=0.1.2\n  - yacs\n  - scipy=1.2.1\n  - h5py\n  \n#### 3. Train\n\nTo train a AGW model with on Market1501 with GPU device 0, run similarly:\n```\npython3 tools\u002Fmain.py --config_file='configs\u002FAGW_baseline.yml' MODEL.DEVICE_ID \"('0')\" DATASETS.NAMES \"('market1501')\" OUTPUT_DIR \"('.\u002Flog\u002Fmarket1501\u002FExperiment-AGW-baseline')\"\n```\n\n#### 4. Test\n\nTo test a AGW model with on Market1501 with weight file ```'.\u002Fpretrained\u002Fdukemtmc_AGW.pth'```, run similarly:\n```\npython3 tools\u002Fmain.py --config_file='configs\u002FAGW_baseline.yml' MODEL.DEVICE_ID \"('0')\" DATASETS.NAMES \"('market1501')\"  MODEL.PRETRAIN_CHOICE \"('self')\" TEST.WEIGHT \"('.\u002Fpretrained\u002Fmarket1501_AGW.pth')\" TEST.EVALUATE_ONLY \"('on')\" OUTPUT_DIR \"('.\u002Flog\u002FTest')\"\n```\n\n### Citation\n\nPlease kindly cite this paper in your publications if it helps your research:\n```\n@article{pami21reidsurvey,\n  title={Deep Learning for Person Re-identification: A Survey and Outlook},\n  author={Ye, Mang and Shen, Jianbing and Lin, Gaojie and Xiang, Tao and Shao, Ling and Hoi, Steven C. H.},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  year={2021},\n}\n```\n\nContact: mangye16@gmail.com\n","# IJCV 2024：基于Transformer的ReID综述\n\n用于目标重识别的Transformer：综述。[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.06960v2)\n\n- 无监督ReID的UntransReID实现请见[这里](https:\u002F\u002Fgithub.com\u002Fwhucsy\u002FReID-Survey\u002Ftree\u002Fmaster\u002FTransformer-ReID-Survey\u002FUnTransReID_USL_ReID)。\n\n- 可见光-红外跨模态无监督ReID的UntransReID实现请见[这里](https:\u002F\u002Fgithub.com\u002Fwhucsy\u002FReID-Survey\u002Ftree\u002Fmaster\u002FTransformer-ReID-Survey\u002FUnTransReID_VI_ReID)。\n\n- 动物ReID统一实验标准的实现请见[这里](https:\u002F\u002Fgithub.com\u002Fwhucsy\u002FReID-Survey\u002Ftree\u002Fmaster\u002FTransformer-ReID-Survey\u002FAnimal-Re-ID-main)。\n\n## 亮点\n\n- 深入分析了Transformer的优势，重点阐述其在四个主要ReID方向上的影响：基于图像\u002F视频、数据\u002F标注有限、跨模态以及特殊场景。\n\n- 提出了一种新的基于Transformer的无监督基线UntransReID，在单模态和跨模态ReID任务上均取得了最先进的性能。\n\n- 设计了一套针对动物ReID的统一实验标准，旨在解决其独特挑战并评估基于Transformer方法的潜力。\n\n### 引用\n\n若本文对您的研究有所帮助，请在您的出版物中引用本文：\n```\n@article{ye2024transformer,\n  title={Transformer for Object Re-Identification: A Survey},\n  author={Ye, Mang and Chen, Shuoyi and Li, Chenyue and Zheng, Wei-Shi and Crandall, David and Du, Bo},\n  journal={arXiv preprint arXiv:2401.06960},\n  year={2024}\n}\n```\n\n# TPAMI 2021 ReID综述及强大的AGW基线\n用于行人重识别的深度学习：综述与展望。附有补充材料的PDF文件。[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193v2)\n\n- 可见光-红外跨模态ReID的AGW实现请见[这里](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FCross-Modal-Re-ID-baseline)。\n\n- 视频ReID的AGW实现请见[这里](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Ftree\u002Fmaster\u002Fvideo-reid-AWG)。\n\n- 部分遮挡ReID的AGW实现请见[这里](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fblob\u002Fmaster\u002FExperiment-AGW-partial.sh)。\n\n中文简化版介绍请参见[知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F342249413)。\n\n## 亮点\n\n- 对近年来（2016—2020年）封闭式和开放式行人ReID进行了全面且深入的综述。\n\n- 提出了一个新的评价指标——平均逆向惩罚值（mINP），用于衡量找到最难正确匹配的能力。\n\n- 构建了一个包含非局部注意力模块、广义均值池化和加权正则化三元组损失的新型AGW基线。该基线在四项具有挑战性的ReID任务上均表现出色，包括单模态图像ReID、视频ReID、部分遮挡ReID以及[跨模态](https:\u002F\u002Fgithub.com\u002Fmangye16\u002FCross-Modal-Re-ID-baseline)ReID。\n\n## AGW在单模态图像ReID中的mINP表现\n\n#### DukeMTMC数据集\n\n|方法    | 预训练 | Rank@1  | mAP |  mINP |  模型| 论文|\n| --------   | -----    | -----  |  -----  | ----- |------|------------------------|\n|BagTricks     | ImageNet | 86.4% | 76.4%|  40.7% |[代码](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |《深度行人重识别的技巧与强大基线》。ArXiv 19。[PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|ABD-Net     | ImageNet | 89.0% | 78.6%| 42.1% | [代码](https:\u002F\u002Fgithub.com\u002FTAMU-VITA\u002FABD-Net) |《ABD-Net：专注而多样的行人重识别》。ICCV 19。[PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.01114)|\n|AGW     | ImageNet | 89.0%  | 79.6% | 45.7% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1q3n_acTe-vaEeIpkJG2k0HqSEZrTJoGA)|《用于行人重识别的深度学习：综述与展望》|\n\n#### Market-1501数据集\n\n|方法    | 预训练 | Rank@1  | mAP |  mINP |  模型| 论文|\n| --------   | -----    | -----  |  -----  | ----- |------|------|\n|BagTricks     | ImageNet | 94.5% | 85.9%|  59.4% |[代码](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |《深度行人重识别的技巧与强大基线》。ArXiv 19。[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|ABD-Net     | ImageNet | 95.6% | 88.3%|  66.2% | [代码](https:\u002F\u002Fgithub.com\u002FTAMU-VITA\u002FABD-Net) |《ABD-Net：专注而多样的行人重识别》。ICCV 19。[PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.01114)|\n|AGW     | ImageNet | 95.1%  | 87.8% | 65.0% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1Ymt2q3k0uBpaw5hCVscl0a29uKI1cRPA)|《用于行人重识别的深度学习：综述与展望》。ArXiv 20。[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193) |\n\n#### CUHK03数据集\n\n|方法    | 预训练 | Rank@1  | mAP |  mINP |  模型| 论文|\n| --------   | -----    | -----  |  -----  | ----- |------|------|\n|BagTricks     | ImageNet | 58.0% | 56.6%|  43.8% |[代码](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |《深度行人重识别的技巧与强大基线》。ArXiv 19。[PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|AGW     | ImageNet | 63.6%  | 62.0% | 50.3% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1Uyq_JBM2N1JL-buYWkLZFMd7N-eMjOUZ)|《用于行人重识别的深度学习：综述与展望》。ArXiv 20。[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193) |\n\n#### MSMT17数据集\n\n|方法    | 预训练 | Rank@1  | mAP |  mINP |  模型| 论文|\n| --------   | -----    | -----  |  -----  | ----- |------|------|\n|BagTricks     | ImageNet | 63.4% | 45.1%|  12.4% |[代码](https:\u002F\u002Fgithub.com\u002Fmichuanhaohao\u002Freid-strong-baseline) |《深度行人重识别的技巧与强大基线》。ArXiv 19。[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.07071)|\n|AGW     | ImageNet | 68.3% | 49.3%|  14.7% | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1xw-t7gVkEghkgHai0nL28VhpS7mBHNG8)|《用于行人重识别的深度学习：综述与展望》。ArXiv 20。[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.04193) |\n\n### 快速入门\n\n#### 1. 准备数据集  \n在本仓库下创建一个用于存放ReID数据集的目录，以Market1501为例：\n```\ncd ReID-Survey\nmkdir toDataset\n```\n- 在```config\u002Fdefaults.py```中设置```_C.DATASETS.ROOT_DIR = ('.\u002FtoDataset')```。\n- 从[http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html](http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html)下载数据集并存放到```toDataset\u002F```目录下。\n\n- 解压数据集后将其重命名为```market1501```。数据结构应如下所示：\n```\ntoDataset\n    market1501 \n        bounding_box_test\u002F\n        bounding_box_train\u002F\n        ......\n```\n\nPartial-REID和Partial-iLIDS数据集由https:\u002F\u002Fgithub.com\u002Flingxiao-he\u002FPartial-Person-ReID提供。\n\n#### 2. 安装依赖  \n以下为所需的依赖包：\n- pytorch=1.0.0\n- torchvision=0.2.1\n- pytorch-ignite=0.1.2\n- yacs\n- scipy=1.2.1\n- h5py\n\n#### 3. 训练  \n若要在GPU设备0上使用AGW模型在Market1501数据集上进行训练，可运行如下命令：\n```\npython3 tools\u002Fmain.py --config_file='configs\u002FAGW_baseline.yml' MODEL.DEVICE_ID \"('0')\" DATASETS.NAMES \"('market1501')\" OUTPUT_DIR \"('.\u002Flog\u002Fmarket1501\u002FExperiment-AGW-baseline')\"\n```\n\n#### 4. 测试  \n若要使用权重文件```'.\u002Fpretrained\u002Fdukemtmc_AGW.pth'```在Market1501数据集上测试AGW模型，可运行如下命令：\n```\npython3 tools\u002Fmain.py --config_file='configs\u002FAGW_baseline.yml' MODEL.DEVICE_ID \"('0')\" DATASETS.NAMES \"('market1501')\"  MODEL.PRETRAIN_CHOICE \"('self')\" TEST.WEIGHT \"('.\u002Fpretrained\u002Fmarket1501_AGW.pth')\" TEST.EVALUATE_ONLY \"('on')\" OUTPUT_DIR \"('.\u002Flog\u002FTest')\"\n```\n\n### 引用  \n若本文对您的研究有所帮助，请在您的论文中引用以下文献：\n```\n@article{pami21reidsurvey,\n  title={Deep Learning for Person Re-identification: A Survey and Outlook},\n  author={Ye, Mang and Shen, Jianbing and Lin, Gaojie and Xiang, Tao and Shao, Ling and Hoi, Steven C. H.},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  year={2021},\n}\n```\n\n联系方式：mangye16@gmail.com","# ReID-Survey 快速上手指南\n\n本指南基于 **ReID-Survey** 项目中的 **AGW Baseline**（TPAMI 2021）部分，帮助开发者快速搭建行人重识别（Re-ID）实验环境并运行基准模型。该项目同时也包含了最新的 Transformer-based ReID 综述及相关代码（如 UntransReID），可根据需求参考对应子目录。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu)\n- **Python**: 3.x\n- **GPU**: 支持 CUDA 的 NVIDIA 显卡（用于加速训练）\n\n### 前置依赖\n请确保已安装以下核心依赖库及对应版本：\n- `pytorch` == 1.0.0\n- `torchvision` == 0.2.1\n- `pytorch-ignite` == 0.1.2\n- `yacs`\n- `scipy` == 1.2.1\n- `h5py`\n\n> **提示**：国内用户建议使用清华源或阿里源加速 PyTorch 及相关包的安装。\n\n## 安装步骤\n\n### 1. 克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey.git\ncd ReID-Survey\n```\n\n### 2. 安装 Python 依赖\n建议使用虚拟环境（如 conda 或 venv）以避免冲突。\n```bash\npip install torch==1.0.0 torchvision==0.2.1 pytorch-ignite==0.1.2 yacs scipy==1.2.1 h5py -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 准备数据集\n以 **Market-1501** 为例，创建数据目录并配置路径：\n\n1. 创建数据存储目录：\n   ```bash\n   mkdir toDataset\n   ```\n\n2. 修改配置文件 `config\u002Fdefaults.py`，设置数据根目录：\n   ```python\n   _C.DATASETS.ROOT_DIR = ('.\u002FtoDataset')\n   ```\n\n3. 下载数据集：\n   - 访问 [Market-1501 官方页面](http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html) 下载。\n   - *国内加速*：若官方下载缓慢，可尝试在 Gitee 或国内学术镜像站搜索 \"Market1501\" 资源。\n\n4. 解压并重命名文件夹为 `market1501`，最终目录结构应如下：\n   ```text\n   toDataset\n       market1501 \n           bounding_box_test\u002F\n           bounding_box_train\u002F\n           ......\n   ```\n\n## 基本使用\n\n### 1. 训练模型 (Train)\n使用 GPU 0 在 Market-1501 数据集上训练 AGW 基准模型：\n\n```bash\npython3 tools\u002Fmain.py --config_file='configs\u002FAGW_baseline.yml' MODEL.DEVICE_ID \"('0')\" DATASETS.NAMES \"('market1501')\" OUTPUT_DIR \"('.\u002Flog\u002Fmarket1501\u002FExperiment-AGW-baseline')\"\n```\n\n### 2. 测试模型 (Test)\n使用预训练权重文件对模型进行评估。假设权重文件位于 `.\u002Fpretrained\u002Fmarket1501_AGW.pth`：\n\n```bash\npython3 tools\u002Fmain.py --config_file='configs\u002FAGW_baseline.yml' MODEL.DEVICE_ID \"('0')\" DATASETS.NAMES \"('market1501')\"  MODEL.PRETRAIN_CHOICE \"('self')\" TEST.WEIGHT \"('.\u002Fpretrained\u002Fmarket1501_AGW.pth')\" TEST.EVALUATE_ONLY \"('on')\" OUTPUT_DIR \"('.\u002Flog\u002FTest')\"\n```\n\n> **注意**：如需使用其他数据集（如 DukeMTMC, CUHK03, MSMT17）或任务（如跨模态、视频 ReID），请参照 README 中对应的子项目链接调整配置和数据路径。","某智慧园区安防团队正致力于升级监控系统，试图在跨摄像头场景中精准追踪特定人员，并解决夜间红外模式下的识别难题。\n\n### 没有 ReID-Survey 时\n- 算法选型盲目：面对海量的 ReID 论文，团队难以区分哪些 Transformer 架构真正适合小样本或跨模态场景，导致反复试错，研发周期拉长。\n- 基线性能瓶颈：沿用传统的 CNN 基线模型，在“可见光 - 红外”跨模态检索中准确率低下，无法有效应对夜间监控需求。\n- 评估指标单一：仅依赖 Rank@1 和 mAP 指标，忽略了最难匹配样本的召回能力，导致系统在真实复杂人流中频繁丢失目标。\n- 动物识别缺失：想要扩展系统至园区野生动物监测时，缺乏统一的实验标准，不得不从零构建数据集和评估流程。\n\n### 使用 ReID-Survey 后\n- 技术路线清晰：直接参考综述中对 Transformer 优势的深度分析，快速锁定 UntransReID 作为无监督跨模态任务的核心架构，大幅缩短调研时间。\n- 跨模态突破：部署 AGW 和 UntransReID 基线代码，利用其非局部注意力机制和广义平均池化，显著提升了夜间红外图像的人员重识别精度。\n- 评估更全面：引入 mINP（平均逆负惩罚）新指标，专注于优化最难匹配样本的查找能力，确保系统在拥挤场景下也能稳定锁定目标。\n- 多场景复用：直接套用提供的动物 ReID 统一实验标准，快速将同一套技术框架迁移至雪豹等珍稀动物的轨迹追踪项目中。\n\nReID-Survey 不仅提供了经过验证的 SOTA 基线代码，更通过统一的评估标准和深度的技术分析，帮助团队从盲目探索转向高效落地，实现了从人员到动物多场景的智能监控升级。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmangye16_ReID-Survey_c6c11c20.png","mangye16",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmangye16_b34526bf.jpg","Professor at WHU\r\n","https:\u002F\u002Fmarswhu.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fmangye16",[79,83],{"name":80,"color":81,"percentage":82},"Python","#3572A5",99.7,{"name":84,"color":85,"percentage":86},"Shell","#89e051",0.3,742,96,"2026-04-17T13:28:04","MIT","未说明","需要 NVIDIA GPU (启动命令指定 MODEL.DEVICE_ID)，具体型号和显存未说明",{"notes":94,"python":95,"dependencies":96},"该项目包含两个主要部分：较新的 Transformer-based ReID Survey (UntransReID) 和较旧的 TPAMI 2021 AGW Baseline。README 中明确列出的依赖版本（PyTorch 1.0.0 等）仅针对 AGW Baseline 部分，该版本非常陈旧，现代环境可能需要调整。运行训练或测试时需在命令行指定 GPU 设备 ID。数据集需手动下载并放置于指定目录结构中。","3.x (启动命令使用 python3，依赖库版本暗示为 Python 3 环境)",[97,98,99,100,101,102],"pytorch=1.0.0","torchvision=0.2.1","pytorch-ignite=0.1.2","yacs","scipy=1.2.1","h5py",[14],[105,106,107,108],"deep-learning","person-re-identification","re-identification","survey","2026-03-27T02:49:30.150509","2026-04-20T22:36:21.225112",[112,117,122,127,132,137,142],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},45823,"使用 Generalized-mean (GeM) Pooling 导致模型无法收敛怎么办？","如果使用普通的全局平均池化（Global Average Pooling）能正常收敛，那么将 GeM 中的参数 p 设为常数 3 时也应能收敛，因为此时 GeM 只是全局平均池化和全局最大池化之间的折衷。建议尝试检查模型在使用全局最大池化（Global Max Pooling）时是否能正常收敛。此外，损失函数的选择也会影响结果，实验中加权正则化三元组损失（WRT）的表现略优于 Batch Hard 三元组损失。","https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fissues\u002F3",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},45824,"non_local.py 中的 inter_channels 计算方式与原文不符，是特意设置的吗？","这是代码中的一个无意错误，原意应遵循论文设置。正确的计算方式应为：self.inter_channels = in_channels \u002F\u002F reduc_ratio。将其改回该公式虽然会增加一些计算量，但通常能取得更好的效果。","https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fissues\u002F7",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},45825,"如何将预训练的 ReID 模型用于 DeepSORT 跟踪任务？预处理流程是否正确？","您描述的预处理思路基本正确：裁剪图像 -> 缩放至 128x256 -> 归一化到 [0,1] -> 减去均值 [0.485, 0.456, 0.406] 并除以标准差 [0.229, 0.224, 0.225] -> 转换为 NCHW 格式的 Tensor -> 输入模型 -> 对输出特征进行 L2 归一化 -> 使用欧氏距离计算相似度。但需注意不同库加载图片的模式可能不同（RGB 或 BGR），请仔细检查。另外，ReID 旨在区分行人外观，而跟踪需区分背景与目标，两者目标略有不同，因此直接应用不一定能保证跟踪性能提升。","https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fissues\u002F6",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},45826,"如何判断两张图片是否属于同一个人（身份预测）？","行人重识别（ReID）通常被视为检索任务。若需判断两张图是否属于同一身份，通常需要训练一个额外的分类器或设定相似度阈值。您可以手动提取池化层的输出特征，计算它们之间的相似度得分，并设定一个阈值来判断：超过阈值视为同一人，否则视为不同人。","https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fissues\u002F4",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},45827,"项目中是否包含检索结果的可视化代码？","本项目未直接包含可视化代码。建议参考 layumi 的 Person_reID_baseline_pytorch 项目中的 demo.py 文件来实现检索结果的可视化功能。","https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fissues\u002F2",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},45828,"如果想改用 CPU 进行训练，需要修改哪些地方？","具体修改方法可参照 PyTorch 官方教程（主要是将设备设置为 'cpu' 并移除 .cuda() 调用）。但强烈不推荐使用 CPU 训练，因为速度会非常慢，严重影响实验效率。","https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fissues\u002F9",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},45829,"在哪里可以找到训练代码？","维护者已更新仓库，包含了训练代码。请重新拉取或查看仓库最新代码即可找到。","https:\u002F\u002Fgithub.com\u002Fmangye16\u002FReID-Survey\u002Fissues\u002F5",[]]