light-reid

用于快速特征提取和检索的轻量级ReID工具箱

• 轻量模型：模型蒸馏（特征提取速度提升3倍）
• 轻量特征：二值编码学习（检索速度提升6倍）
• 轻量检索：粗精结合检索（检索速度提升2倍）

主要特点：

• 轻量与非轻量ReID模式轻松切换
• 简单易用的ReID实现模块
• 最先进的深度ReID模型实现

新增内容

• [2021.06]：支持将视觉Transformer（Vision Transformer, ViT）作为CNN主干网络。详情请参阅base_config_duke_vit.yaml
• [2020.12]：发布针对遮挡/部分行人重识别的强大流程。详情请参阅occluded_reid
• [2020.11]：支持通过PCA降维至128维，且精度几乎无损失。详情请参阅bagtricks_pca
• [2020.11]：支持使用配置文件构建模型，简化代码编写。详情请参阅bagtricks_buildwithconfigs
• [2020.08]：发布轻量ReID学习工具箱，显著加速推理，速度提升超过30倍。
• [2020.03]：实现BagTricks，并支持IBN-Net、MSMT17、CombineAll数据集及多数据集联合训练。详情请查看分支version_py3.7_bot。
• [2019.03]：提供基于Python 2.7的[BagTricks]清晰实现。详情请查看分支version_py2.7。

我们的研究成果

• [2020.07]：[ECCV'20] 我们的快速ReID相关工作已被ECCV'20接收。（论文，代码)
• [2020.03]：[CVPR'20] 我们的遮挡行人重识别相关工作已被CVPR'20接收。（论文，代码)
• [2020.01]：[AAAI'20] 我们的RGB-红外（IR）行人重识别相关工作已被AAAI'20接收。（论文，代码)
• [2019.10]：[ICCV'19] 我们的RGB-红外（IR）行人重识别相关工作已被ICCV'19接收。（论文，代码)
• [2019.05]：我们实现了PCB方法，并取得了优于官方实现的效果。（代码)

安装说明

# 克隆本仓库  
git clone https://github.com/wangguanan/light-reid.git  

# 创建环境  
cd light-reid  
conda create -n lightreid python=3.7  
conda activate lightreid  

# 安装依赖  
pip install -r requirements  

# 安装PyTorch和 torchvision（根据您的硬件选择合适的CUDA版本）  
conda install pytorch==1.4.0 torchvision -c pytorch  
# 安装Faiss以支持稳定检索  
conda install faiss-cpu -c pytorch  

数据准备

• 下载所需数据集，reid_datasets.md列出了各类数据集及其下载链接。
• 更新数据集路径至./lightreid/data/datasets/datasetpaths.yaml

快速入门

通过1步即可使用配置文件构建SOTA ReID模型

已实现的ReID方法及实验结果

• bagtricks_buildwithconfigs：轻松实现强大的ReID基线
• bagtricks_pca：利用PCA降低特征维度
• occluded_reid：简单而强大的遮挡行人重识别基线
• generalizable_reid：在多个数据集上表现优异的ReID模型

致谢

我们的light-reid部分参考了开源项目
torch-reid 和
fast-reid，
在此感谢他们对ReID社区的卓越贡献。

如您对该ReID工具箱有任何疑问，请随时与我联系。
邮箱：guan.wang0706@gmail.com

许可证

light-reid 采用 MIT 许可证开源发布。

引用

如果您认为本项目有所帮助，请引用我们的研究成果：

@article{wang2020faster,
 title="Faster Person Re-Identification.",
 author="Guan'an {Wang} and Shaogang {Gong} and Jian {Cheng} and Zengguang {Hou}",
 journal="In Proceedings of the European Conference on Computer Vision (ECCV)",
 year="2020"
}

@article{wang2020honet,
 title="High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification.",
 author="Guan'an {Wang} and Shuo {Yang} and Huanyu {Liu} and Zhicheng {Wang} and Yang {Yang} and Shuliang {Wang} and Gang {Yu} and Erjin {Zhou} and Jian {Sun}",
 journal="In Proceedings of the 2020 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)",
 year="2020"
}

light-reid 快速上手指南

light-reid 是一个专注于快速特征提取与检索的轻量级 ReID（行人重识别）工具箱。它支持模型蒸馏、二值码学习以及由粗到细的搜索策略，可实现超过 30 倍的推理加速，同时保持高精度的检测效果。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux 或 macOS（Windows 需使用 WSL）
• Python 版本：推荐 Python 3.7
• 硬件要求：支持 CUDA 的 NVIDIA GPU（用于训练和加速推理），CPU 亦可运行但速度较慢
• 前置依赖：已安装 conda 或 pip 包管理工具

提示：国内用户建议使用清华源或阿里源加速 conda 和 pip 下载。

安装步骤

按照以下步骤克隆仓库并配置运行环境：

# 1. 克隆代码仓库
git clone https://github.com/wangguanan/light-reid.git
cd light-reid

# 2. 创建并激活 conda 环境 (推荐使用清华源加速)
conda create -n lightreid python=3.7
conda activate lightreid

# 3. 安装基础依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4. 安装 PyTorch 和 torchvision
# 请根据您的机器 CUDA 版本选择合适的命令，以下为 CUDA 10.1 示例 (使用清华源)
conda install pytorch==1.4.0 torchvision cudatoolkit=10.1 -c pytorch -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

# 5. 安装 Faiss 用于高效检索 (CPU 版本示例，如需 GPU 版本请安装 faiss-gpu)
conda install faiss-cpu -c pytorch -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

基本使用

light-reid 的核心优势在于通过配置文件一键构建强大的 ReID 基线模型。以下是最简单的使用流程：

1. 准备数据集

下载所需的数据集（如 Market1501, DukeMTMC-reID 等），参考 reid_datasets.md 获取下载链接。 下载完成后，修改数据集路径配置文件： ./lightreid/data/datasets/datasetpaths.yaml 将文件中的路径指向您本地数据集的实际存放位置。

2. 运行示例

项目提供了基于配置文件的极简启动方式。以复现强基线模型 BagTricks 为例，进入对应示例目录并运行：

cd examples/bagtricks_buildwithconfigs
# 执行训练或测试脚本 (具体命令请参考该目录下的 README 或脚本文件)
python train.py --config_file configs/base_config_duke.yaml

该模式支持：

• 轻松切换：在轻量级（light）和非轻量级模式间自由切换。
• SOTA 模型：直接调用当前最先进的深度 ReID 模型实现。
• 功能扩展：支持 PCA 降维、遮挡 ReID、Vision Transformer 骨干网络等高级特性。

更多详细用例（如遮挡处理、多数据集联合训练等）请参阅 examples 目录下的其他子模块。