[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nwojke--cosine_metric_learning":3,"tool-nwojke--cosine_metric_learning":62},[4,18,26,35,44,53],{"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},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。",108111,2,"2026-04-08T11:23:26",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[43,15,13,14],"语言模型",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":59,"last_commit_at":60,"category_tags":61,"status":17},5646,"opencv","opencv\u002Fopencv","OpenCV 是一个功能强大的开源计算机视觉库，被誉为机器视觉领域的“瑞士军刀”。它主要解决让计算机“看懂”图像和视频的核心难题，提供了从基础的图像读取、色彩转换、边缘检测，到复杂的人脸识别、物体追踪、3D 重建及深度学习模型部署等全方位算法支持。无论是处理静态图片还是分析实时视频流，OpenCV 都能高效完成特征提取与模式识别任务。\n\n这款工具特别适合计算机视觉开发者、人工智能研究人员以及机器人工程师使用。对于希望将视觉感知能力集成到应用中的软件工程师，或是需要快速验证算法原型的学术研究者，OpenCV 都是不可或缺的基础设施。虽然普通用户通常不会直接操作代码，但日常生活中使用的扫码支付、美颜相机和自动驾驶系统，背后往往都有它的身影。\n\nOpenCV 的独特亮点在于其卓越的性能与广泛的兼容性。它采用 C++ 编写以确保高速运算，同时提供 Python、Java 等多种语言接口，极大降低了开发门槛。库中内置了数千种优化算法，并支持跨平台运行，能够无缝对接各类硬件加速器。作为社区驱动的项目，OpenCV 拥有活跃的生态系统和丰富的学习资源，持续推动着视觉技术的前沿发展。",86988,1,"2026-04-08T16:06:22",[14,15],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":86,"difficulty_score":10,"env_os":87,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":98,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":132},5620,"nwojke\u002Fcosine_metric_learning","cosine_metric_learning","Deep Cosine Metric Learning for Person Re-identification","cosine_metric_learning 是一个专注于行人重识别（Person Re-identification）的开源深度学习项目，旨在训练出高效的度量特征表示模型。它主要解决了在复杂监控场景中，如何准确判断不同摄像头画面下的行人是否为同一人的难题。通过优化特征空间中的距离度量，该工具能显著提升多目标跟踪系统（如 deep_sort）的准确性与稳定性，有效应对光照变化、遮挡及视角切换带来的挑战。\n\n该项目非常适合计算机视觉领域的研究人员、算法工程师以及需要开发智能安防或行为分析系统的开发者使用。其核心技术亮点在于采用了“深度余弦度量学习”方法，结合独特的余弦 -Softmax 分类器损失函数，相比传统方法能学习到更具判别力的特征嵌入。项目不仅提供了完整的训练代码，支持在 Market1501 和 MARS 等主流数据集上复现论文结果，还集成了验证集上的 CMC 评估流程，方便用户实时监控模型性能并调优。无论是用于学术研究还是工程落地，cosine_metric_learning 都提供了一个坚实且易于扩展的技术基座。","# cosine_metric_learning\n\n## Introduction\n\nThis repository contains code for training a metric feature representation to be\nused with the [deep_sort tracker](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort). The\napproach is described in\n\n    @inproceedings{Wojke2018deep,\n      title={Deep Cosine Metric Learning for Person Re-identification},\n      author={Wojke, Nicolai and Bewley, Alex},\n      booktitle={2018 IEEE Winter Conference on Applications of Computer Vision (WACV)},\n      year={2018},\n      pages={748--756},\n      organization={IEEE},\n      doi={10.1109\u002FWACV.2018.00087}\n    }\n\nPre-trained models used in the paper can be found\n[here](https:\u002F\u002Fdrive.google.com\u002Fopen?id=13HtkxD6ggcrGJLWaUcqgXl2UO6-p4PK0).\nA preprint of the paper is available [here](http:\u002F\u002Felib.dlr.de\u002F116408\u002F).\nThe repository comes with code to train a model on the\n[Market1501](http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html)\nand [MARS](http:\u002F\u002Fwww.liangzheng.com.cn\u002FProject\u002Fproject_mars.html) datasets.\n\n## Training on Market1501\n\nThe following description assumes you have downloaded the Market1501 dataset to\n``.\u002FMarket-1501-v15.09.15``. The following command starts training\nusing the cosine-softmax classifier described in the above paper:\n```\npython train_market1501.py \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmarket1501\u002F \\\n    --run_id=cosine-softmax\n```\nThis will create a directory `.\u002Foutput\u002Fmarket1501\u002Fcosine-softmax` where\nTensorFlow checkpoints are stored and which can be monitored using\n``tensorboard``:\n```\ntensorboard --logdir .\u002Foutput\u002Fmarket1501\u002Fcosine-softmax --port 6006\n```\nThe code splits off 10% of the training data for validation.\nConcurrently to training, run the following command to run CMC evaluation\nmetrics on the validation set:\n```\nCUDA_VISIBLE_DEVICES=\"\" python train_market1501.py \\\n    --mode=eval \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmarket1501\u002F \\\n    --run_id=cosine-softmax \\\n    --eval_log_dir=.\u002Feval_output\u002Fmarket1501\n```\nThe command will block indefinitely to monitor the training directory for saved\ncheckpoints and each stored checkpoint in the training directory is evaluated on\nthe validation set. The results of this evaluation are stored in\n``.\u002Feval_output\u002Fmarket1501\u002Fcosine-softmax`` to be monitored using\n``tensorboard``:\n```\ntensorboard --logdir .\u002Feval_output\u002Fmarket1501\u002Fcosine-softmax --port 6007\n```\n\n## Training on MARS\n\nTo train on MARS, download the\n[evaluation software](https:\u002F\u002Fgithub.com\u002Fliangzheng06\u002FMARS-evaluation) and\nextract ``bbox_train.zip`` and ``bbox_test.zip`` from the\n[dataset website](http:\u002F\u002Fwww.liangzheng.com.cn\u002FProject\u002Fproject_mars.html)\ninto the evaluation software directory. The following description assumes they\nare stored in ``.\u002FMARS-evaluation-master\u002Fbbox_train`` and\n``.\u002FMARS-evaluation-master\u002Fbbox_test``. Training can be started with the following\ncommand:\n```\npython train_mars.py \\\n    --dataset_dir=.\u002FMARS-evaluation-master \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmars\u002F \\\n    --run_id=cosine-softmax\n```\nAgain, this will create a directory `.\u002Foutput\u002Fmars\u002Fcosine-softmax` where\nTensorFlow checkpoints are stored and which can be monitored using\n``tensorboard``:\n```\ntensorboard --logdir .\u002Foutput\u002Fmars\u002Fcosine-softmax --port 7006\n```\nAs for Market1501, 10% of the training data are split off for validation.\nConcurrently to training, run the following command to run CMC evaluation\nmetrics on the validation set:\n```\nCUDA_VISIBLE_DEVICES=\"\" python train_mars.py \\\n    --mode=eval \\\n    --dataset_dir=.\u002FMARS-evaluation-master\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmars\u002F \\\n    --run_id=cosine-softmax \\\n    --eval_log_dir=.\u002Feval_output\u002Fmars\n```\nEvaluation metrics on the validation set can be monitored with ``tensorboard``\n```\ntensorboard --logdir .\u002Feval_output\u002Fmars\u002Fcosine-softmax\n``` \n\n## Testing\n\nFinal model testing has been carried out using evaluation software provided by\nthe dataset authors. The training scripts can be used to write features of the\ntest split. The following command exports MARS test features to\n``.\u002FMARS-evaluation-master\u002Ffeat_test.mat``\n```\npython train_mars.py \\\n    --mode=export \\\n    --dataset_dir=.\u002FMARS-evaluation-master \\\n    --loss_mode=cosine-softmax .\\\n    --restore_path=PATH_TO_CHECKPOINT\n``` \nwhere ``PATH_TO_CHECKPOINT`` the checkpoint file to evaluate. Note that the\nevaluation script needs minor adjustments to apply the cosine similarity metric.\nMore precisely, change the feature computation in\n``utils\u002Fprocess_box_features.m`` to average pooling (line 8) and apply\na re-normalization at the end of the file. The modified file should look like\nthis:\n```\nfunction video_feat = process_box_feat(box_feat, video_info)\n\nnVideo = size(video_info, 1);\nvideo_feat = zeros(size(box_feat, 1), nVideo);\nfor n = 1:nVideo\n    feature_set = box_feat(:, video_info(n, 1):video_info(n, 2));\n%    video_feat(:, n) = max(feature_set, [], 2); % max pooling \n     video_feat(:, n) = mean(feature_set, 2); % avg pooling\nend\n\n%%% normalize train and test features\nsum_val = sqrt(sum(video_feat.^2));\nfor n = 1:size(video_feat, 1)\n    video_feat(n, :) = video_feat(n, :).\u002Fsum_val;\nend\n```\nThe Market1501 script contains a similar export functionality which can be\napplied in the same way as described for MARS:\n```\npython train_market1501.py \\\n    --mode=export \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F\n    --sdk_dir=.\u002FMarket-1501_baseline-v16.01.14\u002F\n    --loss_mode=cosine-softmax \\\n    --restore_path=PATH_TO_CHECKPOINT\n```\nThis command creates ``.\u002FMarket-1501_baseline-v16.01.14\u002Ffeat_query.mat`` and\n``.\u002FMarket-1501_baseline-v16.01.14\u002Ffeat_test.mat`` to be used with the\nMarket1501 evaluation code. \n\n## Model export\n\nTo export your trained model for use with the\n[deep_sort tracker](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort), run the following\ncommand:\n```\npython train_mars.py --mode=freeze --restore_path=PATH_TO_CHECKPOINT\n```\nThis will create a ``mars.pb`` file which can be supplied to Deep SORT. Again,\nthe Market1501 script contains a similar function.\n","# 余弦度量学习\n\n## 简介\n\n本仓库包含用于训练度量特征表示的代码，该表示可与 [deep_sort 跟踪器](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort) 配合使用。相关方法在以下文献中有所介绍：\n\n    @inproceedings{Wojke2018deep,\n      title={Deep Cosine Metric Learning for Person Re-identification},\n      author={Wojke, Nicolai and Bewley, Alex},\n      booktitle={2018 IEEE Winter Conference on Applications of Computer Vision (WACV)},\n      year={2018},\n      pages={748--756},\n      organization={IEEE},\n      doi={10.1109\u002FWACV.2018.00087}\n    }\n\n论文中使用的预训练模型可在[这里](https:\u002F\u002Fdrive.google.com\u002Fopen?id=13HtkxD6ggcrGJLWaUcqgXl2UO6-p4PK0)找到。论文的预印本也可在此[链接](http:\u002F\u002Felib.dlr.de\u002F116408\u002F)获取。此外，本仓库还提供了在 [Market1501](http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html) 和 [MARS](http:\u002F\u002Fwww.liangzheng.com.cn\u002FProject\u002Fproject_mars.html) 数据集上训练模型的代码。\n\n## 在 Market1501 上训练\n\n以下说明假设您已将 Market1501 数据集下载至 `.\u002FMarket-1501-v15.09.15` 目录下。以下命令将使用上述论文中描述的余弦-softmax 分类器开始训练：\n```\npython train_market1501.py \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmarket1501\u002F \\\n    --run_id=cosine-softmax\n```\n这将创建一个目录 `.\u002Foutput\u002Fmarket1501\u002Fcosine-softmax`，用于存储 TensorFlow 检查点，并可通过 `tensorboard` 进行监控：\n```\ntensorboard --logdir .\u002Foutput\u002Fmarket1501\u002Fcosine-softmax --port 6006\n```\n代码会从训练数据中分离出 10% 作为验证集。在训练的同时，运行以下命令以在验证集上计算 CMC 评估指标：\n```\nCUDA_VISIBLE_DEVICES=\"\" python train_market1501.py \\\n    --mode=eval \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmarket1501\u002F \\\n    --run_id=cosine-softmax \\\n    --eval_log_dir=.\u002Feval_output\u002Fmarket1501\n```\n该命令将无限期阻塞，以监控训练目录中保存的检查点，并对训练目录中的每个检查点在验证集上进行评估。评估结果将存储在 `.\u002Feval_output\u002Fmarket1501\u002Fcosine-softmax` 中，可通过 `tensorboard` 进行监控：\n```\ntensorboard --logdir .\u002Feval_output\u002Fmarket1501\u002Fcosine-softmax --port 6007\n```\n\n## 在 MARS 上训练\n\n要训练 MARS 数据集，首先下载 [评估软件](https:\u002F\u002Fgithub.com\u002Fliangzheng06\u002FMARS-evaluation)，然后从 [数据集官网](http:\u002F\u002Fwww.liangzheng.com.cn\u002FProject\u002Fproject_mars.html) 下载 `bbox_train.zip` 和 `bbox_test.zip`，并将其解压到评估软件目录中。以下说明假设它们分别存储在 `.\u002FMARS-evaluation-master\u002Fbbox_train` 和 `.\u002FMARS-evaluation-master\u002Fbbox_test` 目录下。训练可以使用以下命令启动：\n```\npython train_mars.py \\\n    --dataset_dir=.\u002FMARS-evaluation-master \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmars\u002F \\\n    --run_id=cosine-softmax\n```\n同样，这将创建一个目录 `.\u002Foutput\u002Fmars\u002Fcosine-softmax`，用于存储 TensorFlow 检查点，并可通过 `tensorboard` 进行监控：\n```\ntensorboard --logdir .\u002Foutput\u002Fmars\u002Fcosine-softmax --port 7006\n```\n与 Market1501 类似，10% 的训练数据被划分为验证集。在训练的同时，运行以下命令以在验证集上计算 CMC 评估指标：\n```\nCUDA_VISIBLE_DEVICES=\"\" python train_mars.py \\\n    --mode=eval \\\n    --dataset_dir=.\u002FMARS-evaluation-master\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmars\u002F \\\n    --run_id=cosine-softmax \\\n    --eval_log_dir=.\u002Feval_output\u002Fmars\n```\n验证集上的评估指标可以通过 `tensorboard` 监控：\n```\ntensorboard --logdir .\u002Feval_output\u002Fmars\u002Fcosine-softmax\n``` \n\n## 测试\n\n最终的模型测试是通过数据集作者提供的评估软件完成的。训练脚本可用于提取测试集的特征。以下命令会将 MARS 测试集的特征导出至 `.\u002FMARS-evaluation-master\u002Ffeat_test.mat`：\n```\npython train_mars.py \\\n    --mode=export \\\n    --dataset_dir=.\u002FMARS-evaluation-master \\\n    --loss_mode=cosine-softmax .\\\n    --restore_path=PATH_TO_CHECKPOINT\n```\n其中 `PATH_TO_CHECKPOINT` 是用于评估的检查点文件。需要注意的是，评估脚本需要进行少量调整以应用余弦相似度度量。具体来说，需将 `utils\u002Fprocess_box_features.m` 文件中的特征计算方式由最大池化（第 8 行）改为平均池化，并在文件末尾添加重新归一化的步骤。修改后的文件应如下所示：\n```\nfunction video_feat = process_box_feat(box_feat, video_info)\n\nnVideo = size(video_info, 1);\nvideo_feat = zeros(size(box_feat, 1), nVideo);\nfor n = 1:nVideo\n    feature_set = box_feat(:, video_info(n, 1):video_info(n, 2));\n%    video_feat(:, n) = max(feature_set, [], 2); % max pooling \n     video_feat(:, n) = mean(feature_set, 2); % avg pooling\nend\n\n%%% normalize train and test features\nsum_val = sqrt(sum(video_feat.^2));\nfor n = 1:size(video_feat, 1)\n    video_feat(n, :) = video_feat(n, :).\u002Fsum_val;\nend\n```\nMarket1501 脚本也包含类似的导出功能，其使用方法与 MARS 相同：\n```\npython train_market1501.py \\\n    --mode=export \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F\n    --sdk_dir=.\u002FMarket-1501_baseline-v16.01.14\u002F\n    --loss_mode=cosine-softmax \\\n    --restore_path=PATH_TO_CHECKPOINT\n```\n该命令将生成 `.\u002FMarket-1501_baseline-v16.01.14\u002Ffeat_query.mat` 和 `.\u002FMarket-1501_baseline-v16.01.14\u002Ffeat_test.mat`，供 Market1501 评估代码使用。\n\n## 模型导出\n\n要将您训练好的模型导出以便与 [deep_sort 跟踪器](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort) 配合使用，请运行以下命令：\n```\npython train_mars.py --mode=freeze --restore_path=PATH_TO_CHECKPOINT\n```\n这将生成一个 `mars.pb` 文件，可直接提供给 Deep SORT 使用。同样地，Market1501 脚本也包含类似的功能。","# cosine_metric_learning 快速上手指南\n\n本工具用于训练度量特征表示，旨在与 [deep_sort](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort) 追踪器配合使用。基于论文《Deep Cosine Metric Learning for Person Re-identification》，支持在 Market1501 和 MARS 数据集上训练模型。\n\n## 环境准备\n\n*   **操作系统**: Linux (推荐 Ubuntu 16.04+)\n*   **Python**: Python 3.x\n*   **深度学习框架**: TensorFlow (需兼容原代码版本，通常为 TF 1.x)\n*   **硬件要求**: 支持 CUDA 的 NVIDIA GPU (用于加速训练)\n*   **依赖库**:\n    *   `numpy`\n    *   `scipy`\n    *   `Pillow`\n    *   `matplotlib`\n    *   `tensorboard`\n\n建议通过 pip 安装基础依赖：\n```bash\npip install numpy scipy pillow matplotlib tensorboard\n```\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning.git\n    cd cosine_metric_learning\n    ```\n\n2.  **准备数据集**\n    *   **Market1501**: 下载数据集并解压至 `.\u002FMarket-1501-v15.09.15`。\n        *   下载地址：[Market1501 官网](http:\u002F\u002Fwww.liangzheng.org\u002FProject\u002Fproject_reid.html)\n    *   **MARS**: 下载 [评估软件](https:\u002F\u002Fgithub.com\u002Fliangzheng06\u002FMARS-evaluation) 及数据集 (`bbox_train.zip`, `bbox_test.zip`)。\n        *   将解压后的 bbox 文件放入评估软件目录，结构应为：\n            *   `.\u002FMARS-evaluation-master\u002Fbbox_train`\n            *   `.\u002FMARS-evaluation-master\u002Fbbox_test`\n        *   数据集地址：[MARS 官网](http:\u002F\u002Fwww.liangzheng.com.cn\u002FProject\u002Fproject_mars.html)\n\n3.  **(可选) 下载预训练模型**\n    如需直接使用论文中的预训练权重，可从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=13HtkxD6ggcrGJLWaUcqgXl2UO6-p4PK0) 下载。\n\n## 基本使用\n\n以下以 **Market1501** 数据集为例，展示最核心的训练与监控流程。\n\n### 1. 开始训练\n运行以下命令启动训练，采用论文描述的 cosine-softmax 分类器：\n```bash\npython train_market1501.py \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmarket1501\u002F \\\n    --run_id=cosine-softmax\n```\n*   训练检查点将保存至 `.\u002Foutput\u002Fmarket1501\u002Fcosine-softmax`。\n*   代码会自动划分 10% 的训练数据作为验证集。\n\n### 2. 实时监控训练过程\n开启一个新终端，运行 TensorBoard 查看损失曲线和准确率：\n```bash\ntensorboard --logdir .\u002Foutput\u002Fmarket1501\u002Fcosine-softmax --port 6006\n```\n然后在浏览器访问 `http:\u002F\u002Flocalhost:6006`。\n\n### 3. 同步进行验证评估\n在训练进行的同时，开启另一个终端运行评估脚本（自动监测新生成的检查点）：\n```bash\nCUDA_VISIBLE_DEVICES=\"\" python train_market1501.py \\\n    --mode=eval \\\n    --dataset_dir=.\u002FMarket-1501-v15.09.15\u002F \\\n    --loss_mode=cosine-softmax \\\n    --log_dir=.\u002Foutput\u002Fmarket1501\u002F \\\n    --run_id=cosine-softmax \\\n    --eval_log_dir=.\u002Feval_output\u002Fmarket1501\n```\n*   评估结果将保存至 `.\u002Feval_output\u002Fmarket1501\u002Fcosine-softmax`。\n*   可通过新端口监控评估指标：\n    ```bash\n    tensorboard --logdir .\u002Feval_output\u002Fmarket1501\u002Fcosine-softmax --port 6007\n    ```\n\n### 4. 导出模型供 Deep SORT 使用\n训练完成后，冻结模型以便在 deep_sort 追踪器中加载：\n```bash\npython train_market1501.py --mode=freeze --restore_path=PATH_TO_CHECKPOINT\n```\n*   请将 `PATH_TO_CHECKPOINT` 替换为具体的检查点文件路径。\n*   该命令将生成 `.pb` 格式的冻结模型文件。\n\n> **注**: 若使用 **MARS** 数据集，请将上述命令中的 `train_market1501.py` 替换为 `train_mars.py`，并调整相应的 `--dataset_dir` 和 `--log_dir` 路径（参考原文 MARS 章节）。","某大型商场安保团队正在升级智能监控系统，旨在通过跨摄像头追踪特定嫌疑人轨迹以提升响应速度。\n\n### 没有 cosine_metric_learning 时\n- **身份频繁丢失**：当嫌疑人从一个摄像头移动到另一个摄像头时，传统算法因无法提取鲁棒的特征表示，常将同一人误判为不同目标，导致追踪链条断裂。\n- **光照与角度敏感**：在商场地下车库或强光中庭等复杂光照环境下，基于简单颜色或纹理的匹配方法失效，系统对行人姿态变化极度敏感。\n- **人工复核成本高**：由于自动重识别（Re-ID）准确率低，安保人员必须手动回放并比对数十路监控视频来确认目标行踪，耗时且易出错。\n- **难以融入现有流程**：缺乏专门优化的度量学习模型，无法直接生成适配主流追踪器（如 deep_sort）的高质量特征向量，系统集成困难。\n\n### 使用 cosine_metric_learning 后\n- **跨镜连续追踪**：利用深度余弦度量学习训练出的特征表示，系统能在不同摄像头间精准关联同一行人，即使中间有长时间遮挡也能保持 ID 一致。\n- **环境适应性强**：模型在 Market1501 和 MARS 数据集上验证了其对光照变化、视角切换及低分辨率图像的鲁棒性，显著提升了复杂场景下的识别率。\n- **自动化效率提升**：结合 deep_sort 追踪器，系统可自动生成完整的嫌疑人行动轨迹图，将原本数小时的人工排查工作缩短至分钟级。\n- **无缝集成部署**：直接输出兼容 deep_sort 的特征向量，支持通过 TensorFlow 检查点快速加载预训练模型，大幅降低了工程落地门槛。\n\ncosine_metric_learning 通过构建高判别力的特征空间，彻底解决了多摄像头场景下行人重识别的核心难题，让智能安防从“看得见”进化为“跟得准”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnwojke_cosine_metric_learning_763d9cde.png","nwojke","Nicolai Wojke","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnwojke_9a0fb0cc.jpg",null,"https:\u002F\u002Fgithub.com\u002Fnwojke",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,604,200,"2026-03-01T15:40:39","GPL-3.0","Linux","需要 NVIDIA GPU (训练时通过 CUDA_VISIBLE_DEVICES 控制)，具体型号和显存未说明，需安装兼容的 CUDA 驱动","未说明",{"notes":91,"python":92,"dependencies":93},"该项目基于较旧的 TensorFlow 版本（代码风格暗示为 TF 1.x），主要用于训练行人重识别模型以配合 deep_sort 追踪器使用。训练 Market1501 或 MARS 数据集时需预先下载特定格式的数据集文件。评估阶段可能需要修改提供的 MATLAB 脚本 (.m 文件) 以应用余弦相似度度量。模型导出后可生成 .pb 文件供 deep_sort 使用。","未说明 (基于 TensorFlow 1.x 环境)",[94,95,96,97],"tensorflow","tensorboard","numpy","scipy",[15,99],"其他","2026-03-27T02:49:30.150509","2026-04-09T02:36:13.306130",[103,108,113,118,123,128],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},25517,"运行 generate_detections.py 时出现 'ValueError: Checkpoint is missing variable [ball\u002Fbeta]' 错误怎么办？","该问题通常是因为代码未更新到最新版本导致的。请确保从仓库拉取最新的代码（git pull），因为旧版本的代码可能与新生成的模型检查点（checkpoint）变量不匹配。更新代码后重新运行即可解决。","https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning\u002Fissues\u002F6",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},25518,"如何获取 VeRi 数据集的预训练模型或数据集文件？","维护者目前没有提供 VeRi 数据集的预训练模型。关于数据集，您需要直接联系 VeRi 数据集的原始所有者并签署协议才能获取，项目作者无法直接分发该数据集。如果邮件联系原始作者无回复，建议尝试使用其他公开数据集（如 Market-1501）或自行整理符合格式的数据。","https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning\u002Fissues\u002F15",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},25519,"导出 .mat 文件时提示找不到 'Market-1501_baseline-v16.01.14' 文件或 'query' 文件夹怎么办？","这是因为执行导出命令时参数配置不完整。请确保使用 '--mode=export' 模式，并正确指定 '--restore_path' 为您训练好的模型路径（例如：.\u002Foutput\u002Fmarket1501\u002Fcosine-softmax\u002Fmodel.ckpt-703901）。同时，确保 '--dataset_dir' 指向的 Market-1501 目录中包含完整的 'query'、'bounding_box_train' 等子文件夹。SDK 目录参数 '--sdk_dir' 仅在需要特定评估脚本时才需填写，若仅导出特征可忽略或指向空文件夹。","https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning\u002Fissues\u002F7",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},25520,"在 VeRi 数据集上训练时遇到报错如何解决？","如果在 VeRi 数据集上训练出现特定错误，可能是数据加载或预处理部分的问题。有用户反馈直接使用原作者提供的完整代码库（而非修改版）可以解决该问题。此外，由于 VeRi 数据集获取困难且格式特殊，建议先确保数据格式与代码中的加载器完全匹配，或者参考 Market-1501 的格式重新整理数据。","https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning\u002Fissues\u002F8",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},25521,"如何使用自定义数据集进行训练？数据格式有什么要求？","有两种方法：1. 将您的数据整理成与 Market-1501 或 MARS 相同的格式（包含裁剪后的图像和对应的 ID 标签文件夹结构），然后直接使用项目中现有的数据集加载器；2. 保持您自己的数据格式，但需要编写自定义的数据集加载器（dataset loader），这需要一定的 Python 编程经验。核心要求是输入必须是带有类别标签（Identity）的裁剪图像。","https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning\u002Fissues\u002F95",{"id":129,"question_zh":130,"answer_zh":131,"source_url":107},25522,"训练完成后如何评估模型性能？","训练完成后，需要使用 '--mode=export' 参数运行训练脚本，并指定 '--restore_path' 为训练生成的 checkpoint 文件路径。这将生成用于评估的 .mat 特征文件。之后通常需要结合外部评估脚本（如 Market-1501 官方提供的 MATLAB 评估代码）来计算 mAP 和 Rank-1 准确率。确保在导出前已正确设置数据集目录和 SDK 目录（如果需要）。",[]]