简介行人重识别ReID是计算机视觉中的关键任务目标是在不同摄像头下准确匹配同一行人。这套Python工程代码包面向深度学习初学者和视觉研究者提供了从数据准备到模型评估的完整实现覆盖Market-1501等常用数据集的处理流程。压缩包共11个文件全部为Python脚本大小约18KB包含数据加载与增强data_manager.py、dataset_loader.py、骨干网络ResNet.py、损失函数losses.py、优化器配置optimizers.py以及评估指标eval_metrics.py等模块结构清晰适合按模块逐步研读便于定位数据、模型、优化等核心逻辑。目前已有150人学习下载。通过分析源码读者可以掌握CNN提取行人外观特征的方法理解triplet loss、center loss在度量学习中的作用并学会使用mAP、Rank-1等指标评估模型。代码简洁可运行兼顾理论讲解与工程实践是课程设计、论文复现或入门ReID研究的高性价比参考。1. 行人重识别是什么一个 zip 里装的是一整套跨镜检索系统在商超、园区、地铁站跨摄像头找人靠人眼回看录像动辄一两个小时行人重识别Person Re-IdentificationReID就是让深度学习模型学会“只看一次之后在几百个陌生人里把 ta 找回来”。一个名为“基于深度学习的行人重识别.zip”的工程包解压开通常不是一个训练好的模型文件而是一整套从数据集组织、训练到检索评估的代码管线这也是它和普通 demo 包最本质的区别。给定一张 query 图模型输出一个能区分“同一个人在不同摄像头下长什么样”的特征向量再和全库 gallery 特征算相似度并排序。适合正在做检测/分类、想转入检索方向的工程师或研究生目标是能复现、能改参、能部署。2. 先看懂工程结构再动手ReID 源码包的标准套路与数据流拿到一个 ReID 的 zip多数版本的目录结构都长得很像这要感谢 Market1501 和后来 BoT、TransReID 这些开源工程养成的社区习惯。先别急着跑 train.py花二十分钟把目录和数据流捋清楚后面能少踩一半坑。这个环节不依赖具体代码风格任何基于 PyTorch 的 ReID 实战项目案例基本都跑不出下面这套约定。2.1 一个典型 ReID 工程有什么从 train.py 到 evaluate.py常见工程解压后顶层会有 train.py、evaluate.py 两个入口以及 scripts、configs、datasets、models、losses、samplers、utils 这几个目录。scripts 是启动用的 shell 脚本configs 是参数配置datasets 负责数据集加载和目录校验models 是骨干网络和脖子模块losses 是交叉熵、三元组等损失定义samplers 是批次采样器utils 里是日志和评估工具。train.py 负责训练evaluate.py 负责加载权重、抽取特征并计算 CMC/mAP。# 解压并查看顶层结构先确认没有嵌套目录 unzip 基于深度学习的行人重识别.zip -d ReID cd ReID ls -R . | head -60 # 正常会看到 configs/ datasets/ models/ losses/ samplers/ utils/ train.py evaluate.py这段命令的作用是把工程解压到 ReID 目录并用 ls -R 递归列出结构head -60 控制输出长度。如果解压出来带中文目录名或者多嵌套了一层同名文件夹先用 mv 把它提到顶层否则后面相对路径会全部失效。多数工程用相对路径读数据集目录层级错一位报错信息还不会直接指到路径上而是先以“找不到图片”的形式出现。在 config 或启动脚本里通常能看到这几个核心参数数据根目录 data_root、输出目录 save_dir、批次大小 batch_size、学习率 lr、训练轮数 epochs、骨干网络名称 arch、损失类型 loss_type、设备 device。这些参数大多能从命令行覆盖意味着不改代码也能换配置。判断一个工程是否成熟一是看 evaluate.py 里有没有独立的评估协议二是看 datasets 里有没有针对 Market1501 的标准目录处理如果都不具备说明它只是一堆临时脚本拼起来的复现价值有限别在它身上花太多时间。2.2 数据怎么流动一张行人图到特征向量的完整链路在 ReID 里一张行人图从读入磁盘到输出特征向量经过五个环节读取图片、数据增强、骨干网络提取特征、降维层压缩特征、L2 归一化。训练阶段在降维后还要挂分类头和三元组损失推理阶段则直接用归一化后的特征做余弦相似度。下面这段代码把五个环节拆开方便对照工程里每一步在做什么。# 特征提取流水线示意读图 - 增强 - backbone - neck - L2归一化 import torch import torchvision.transforms as T from PIL import Image # 1. 读图统一转 RGB img Image.open(query/0002_c1s1_000451_00.jpg).convert(RGB) # 2. 推理增强缩放、中心裁剪、归一化训练还会加随机擦除和翻转 transform T.Compose([ T.Resize([256, 128]), # ReID 通用输入尺寸高 256宽 128 T.CenterCrop([256, 128]), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) x transform(img).unsqueeze(0) # [1, 3, 256, 128] # 3. backbone 输出 2048 维全局池化特征 # 4. neck 降到 512并做 BN推理时用 BN 后的结果即可 # 5. 最后做 L2 归一化后续算余弦相似度 feat torch.nn.functional.normalize(neck_feat, dim1)这段代码是工程里推理部分的最小形态。Resize 到 [256, 128] 是 Market1501 上约定俗成的输入比例因为它匹配行人瘦长的外形先验改成正方形会掉点。CenterCrop 在推理时是为了对齐训练时的随机裁剪统计。归一化沿用 ImageNet 的 mean 和 std几乎所有 ReID 工程都直接使用不必自行调整。代码里的 neck_feat 是占位写法实际是 backbone 输出经过全局平均池化再过 BNNeck 的结果。实际工程里这五个环节会被封装进 dataset 的getitem和 model 的 forwardDataLoader 的 num_workers 影响读图速度pin_memory 能减少数据从 CPU 拷贝到 GPU 的时间。调参时这些是常规项先确认它们没有问题再怀疑算法本身。2.3 为什么行人重识别是「分类 度量」的混合问题刚上手的人最容易问训练时明明用交叉熵把每个人 ID 当成一个类别来分为什么推理时输出的不是类别而是一个向量这正是 ReID 和图像分类的关键区别。分类任务里一张图对应一个固定标签ReID 里训练集和测评集的人 ID 几乎完全不相交模型必须学习“一个人的外观特征如何跨摄像头保持稳定”这个能力只能靠度量学习来约束。常见做法是同时挂两个头一个 ID 分类头用交叉熵逼着特征具有类别判别力一个三元组损失用难样本挖掘把同一 ID 的特征拉近、不同 ID 的特征推远。两个头共享 backbone 和 neck训练结束后丢掉分类头只保留特征提取部分。一句话概括交叉熵教模型“见过谁”三元组教模型“谁和谁像”两者缺一结果都有明显短板——只有交叉熵难样本区分不开只有三元组训练不稳且收敛慢。在 zip 工程里判断它做没做度量学习最明显的标志是有没有 sampler 目录和 triplet loss 定义。只有分类头、没有采样器的版本通常是从分类项目改过来的半成品。像动手深度学习这类入门书里的分类代码拿到 ReID 这里必须要补两块一个是难样本采样器一个是评估协议缺了它们训练出来的模型很难在跨摄像头检索上拿到可用指标。3. 复现训练全流程从 Market1501 到跑通 train.py 的最小命令这章直奔“照着做能跑通”。深度学习 PyTorch 生态里ReID 的复现难度主要不在网络结构而在数据划分和训练参数对很多人来说这也是第一次理解“数据和指标一起决定模型好坏”。这里说的“跑通”不只是 loss 在下降而是训练结束后 evaluate.py 能算出和论文同量级的 Rank-1 和 mAP。3.1 数据不“改坏”Market1501 的目录约定Market1501 是 ReID 最常用的公开数据集包含 1501 个行人、32668 个检测框采集自 6 个摄像头。它发布时已经按训练集、查询集和候选集划分好目录名是 bounding_box_train、query 等。复现时最容易犯的错是把这些目录重命名或者在训练集里混入 query。目录结构一旦改动评估脚本按约定路径找不到数据指标直接崩掉。Market1501 的关键目录及用途如下目录/文件内容本阶段是否需要bounding_box_train训练集751 个 ID必需query查询集3368 张图必需bounding_box_test候选集 gallery必需gt_queryquery 对应的标准答案标注re-ranking 时需要gt_bbox测试集行人框标注复现论文对比时需要# 假设工程根目录是 ReID把数据集整理成工程能认的格式 cd ReID mkdir -p data/market1501 # 用软链接而不是复制避免占双倍硬盘也防止误改原始文件 ln -s /path/to/Market1501/bounding_box_train data/market1501/bounding_box_train ln -s /path/to/Market1501/query data/market1501/query ln -s /path/to/Market1501/bounding_box_test data/market1501/bounding_box_test ln -s /path/to/Market1501/gt_query data/market1501/gt_query ln -s /path/to/Market1501/gt_bbox data/market1501/gt_bbox软链接的 path 要根据实际解压位置调整不要照抄。这里的关键是保持目录名固定很多工程在 dataset 代码里硬编码了这些名字你改了它就得跟着改源码。Market1501 的文件名本身带标签比如 0002_c1s1_000451_00.jpg前四位是行人 IDc1s1 是摄像头号和场景号。有经验的人会用文件名前四位统计训练集 ID 数量如果比 751 少多半是解压或移动过程中丢了文件。3.2 环境配置与最小训练脚本在跑训练前先把环境确认到位。ReID 对库版本不挑剔但 torch 和 torchvision 的版本要配套CUDA 版本对应错import torch 直接报错。如果你手头只有普通台式机或笔记本没法用 GPU也可以把 device 改成 cpubatch_size 调到 8 试跑一个 epoch能完整走通流程就算环境通过。# 创建虚拟环境并安装依赖这是最省心的组合之一 conda create -n reid python3.8 -y conda activate reid pip install torch1.13.1 torchvision0.14.1 pip install numpy opencv-python pandas tqdm tensorboardtorch 1.13.1 配 torchvision 0.14.1 在多数显卡驱动下都能直接装到对应 CUDA 版本不必追新。opencv 用来读图和做数据增强tqdm 显示进度tensorboard 看训练曲线后面排错会用到。深度学习环境配置到这里就够了ReID 本身没有额外依赖。训练脚本的主体逻辑在多数工程里一致构建数据加载器、构建模型、定义损失、循环 epoch。下面这段是清洗后的核心流程和真实工程对照着看能快速定位自己改坏的地方。# 训练主流程核心片段P×K 采样 ResNet50 BNNeck import torch from torch import nn from torch.utils.data import DataLoader # 假设 dataset 已按 Market1501 读入train_set 返回 img, pid, camid # P×K 采样P 个身份每人 K 张图batch P*K sampler RandomIdentitySampler(train_set, num_instances4) loader DataLoader(train_set, batch_size64, samplersampler, num_workers4, pin_memoryTrue) model build_model(archresnet50, num_classes751, last_stride1, neckbnneck) model.cuda() # 双头损失交叉熵 三元组Adam 时 lr 建议从 3.5e-4 起步 criterion_id nn.CrossEntropyLoss() criterion_tri TripletLoss(margin0.3) optimizer torch.optim.Adam(model.parameters(), lr3.5e-4, weight_decay5e-4) lr_scheduler WarmupMultiStepLR(optimizer, milestones[40, 90], gamma0.1, warmup_epochs10) for epoch in range(120): model.train() for imgs, pids, _ in loader: imgs imgs.cuda() feats, logits model(imgs) # feats 给三元组logits 给分类头 loss_id criterion_id(logits, pids) loss_tri criterion_tri(feats, pids) loss loss_id loss_tri optimizer.zero_grad() loss.backward() optimizer.step()这段代码是 BoT 风格的训练设置很多 zip 里的 train.py 就是它的完整版加命令行解析。batch_size 等于 64 时RandomIdentitySampler 默认是 16 个身份乘每人 4 张图保证每个 batch 里同 ID 有足够样本供三元组挖掘。Adam 学习率 3.5e-4 配合 warmup前 10 个 epoch 线性升温第 40 和 90 epoch 衰减 0.1 倍。loss_id 和 loss_tri 直接相加是最常见的组合部分工程会乘 0.5 权重差别不大。这里有个容易忽略的细节last_stride1。ResNet50 默认最后一级下采样 stride 是 2ReID 为了保留更多空间细节会把它改成 1特征图分辨率翻倍rank-1 通常能涨 2 到 3 个点。如果你的工程里没这个参数训练一次后指标偏低先检查它。别让 codex 跑深度学习模板代码时替你悄悄把这类关键参数“优化”掉ResNet50 的 last_stride、BNNeck、P×K 采样这三个东西缺一个都算不上合格的 ReID 工程。3.3 训练中途看什么日志里 loss 和 Acc 的含金量训练日志通常长这样“epoch 5, loss 3.21, acc 62.4, lr 0.00021”。新手最容易盯着 loss其实更该看定期在验证集上算出来的 Rank-1 和 mAP。交叉熵的 acc 反映分类头学得怎么样但 acc 高不代表检索排序好因为检索要看候选集里的整体排序质量。epoch 10 loss 1.98 acc 78.5 cmc:63.2/79.1 mAP:52.4 lr 0.00018 epoch 40 loss 0.42 acc 92.3 cmc:85.6/93.4 mAP:72.8 lr 0.00018 epoch 90 loss 0.18 acc 96.1 cmc:89.2/95.7 mAP:78.1 lr 0.000035这份日志是典型的收敛过程第 10 个 epoch 时 mAP 已过半说明骨架和采样器接对了第 40 个 epoch 时 acc 超过 92但 CMC 还在涨说明度量头仍有潜力第 90 个 epoch 后学习率衰减两个指标继续爬升。如果在第 40 个 epoch 时 mAP 还不到 50多半是数据加载错了或者采样器没生效而不是训练不够。先看数据再调模型这比加训练轮数更管用。4. 模型选型与关键策略ResNet50 BNNeck 随机擦除为什么是标配看完训练流程自然会问这个工程里的模型结构能不能换先说结论能换但得不偿失的情况很多。在 ReID 这个方向模型选型和训练策略绑定得很紧深度学习模型那块动一个参数后面的指标和显存可能全变。4.1 三套主流骨架的取舍ResNet50、Swin/TransReID 与轻量网络骨架参数量复现难度适用阶段典型收益ResNet50约 25M低绝大多数工程默认稳定和论文易对齐ResNet50 IBN约 25M中跨数据集泛化域泛化更好Swin-T / ViT-Base约 28M/86M中高追求 SOTA指标上线更高训练敏感MobileNetV3/轻量骨干约 7M中边缘部署速度优先精度下降可接受ResNet50 是 ReID 圈事实上的“工业标准”论文对比都在它上面跑复现时最容易对齐指标。Swin 和 ViT 骨架在行人重识别上能到更高精度但对学习率、warmup、数据增强更敏感训练不稳是常态新手拿它当第一版容易翻车。IBN-Net 结构在跨数据集测试时优势明显如果你后续要在别的监控场景上直接用它比原版 ResNet50 更值得。轻量网络适合深度学习模型部署的场景。实时检索系统里摄像头数量多单卡推理压力大MobileNetV3 能把单张图的推理时间压到几毫秒代价是 Rank-1 降 5 到 8 个点。对工程落地来说这个差距通常能用 re-ranking 或更好的数据增强补回来一部分。选型没有绝对答案但第一版复现我一般只会用 ResNet50因为它把变量控制得最少。4.2 BNNeck、随机擦除和 P×K 采样各自解决什么问题这三个名字在 ReID 论文里频繁出现作用各不相同。BNNeck 解决的是交叉熵和三元组对特征分布要求不一致的问题交叉熵希望特征的范数大、类别边界明显三元组希望特征落在超球面上、分布紧凑。BNNeck 在 neck 输出的两个分支上分别做处理分类头分支加 BN度量分支不加损失可以在各自舒适的分布上优化。没有它两个损失会互相拉扯训练曲线震荡明显。随机擦除Random Erasing是 ReID 里性价比最高的数据增强。行人经常被遮挡或者被其他行人挡住随机擦除一块矩形区域让模型不要把注意力全压在某个局部部件上。它和普通分类任务里的 CutOut 类似但擦除比例和时间点对 ReID 更敏感。P×K 采样则是难样本挖掘的基础随机采样 P 个身份每个身份取 K 张图这样每个 batch 内部天然形成正负样本对。下面是一段典型配置# 随机擦除与 P×K 采样的典型参数 from random_erasing import RandomErasing train_transform T.Compose([ T.Resize([256, 128]), T.RandomCrop([256, 128], padding10), # 先随机裁剪模拟位移 T.RandomHorizontalFlip(p0.5), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), RandomErasing(probability0.5, sh0.2, mean[0.4914, 0.4822, 0.4465]), ]) # 采样器参数每 batch 16 个身份每个身份 4 张图 sampler RandomIdentitySampler(dataset, num_instances4, batch_size64)擦除概率 0.5、遮挡面积比例上限 0.2这两个数字是多数论文调试出来的稳定区间。如果你碰到擦除后模型收敛变慢先降低 probability 而不是取消擦除取消后 Rank-1 通常掉 2 个点左右。RandomCrop 的 padding10 也很关键它给模型提供轻微位移不变性配合擦除能明显提升跨摄像头鲁棒性。4.3 数据并行与 batch size 的关系batch size 在 ReID 里不是简单的显存问题它直接影响采样质量。P×K 采样下batch size 是 P 和 K 的乘积64 的 batch 对应 16 个身份、每个身份 4 张图。如果把 batch size 降到 32常见操作是改成 8 个身份乘每人 4 张但 8 个身份会减少难样本挖掘的覆盖面指标在训练中期就能看出差距。显存不足时优先降 K 而不是降 P比如 16 个身份乘每人 2 张batch 还是 32身份覆盖面保住三元组只损失一点。# 单卡显存不够时的启动参数示例 python train.py --batch-size 32 --num-instances 2 --lr 3.5e-4 # 多卡时先用 torchrun 指定可用 GPU再按卡数等比放大 batch torchrun --nproc_per_node2 train.py --batch-size 128 --lr 6e-4多卡训练时 batch size 翻倍学习率也要相应调大常见做法是线性缩放。两张卡从 64 变 128学习率从 3.5e-4 调到 6e-4不是简单翻倍具体倍数靠验证集微调。数据并行时注意每个 GPU 上的 batch 要独立做 P×K 采样不少工程在分布式改造时把采样器丢了默认随机指标掉得莫名其妙。5. ReID 复现避坑指标对不上、显存不足和数据集损坏的 4 个真实问题这一章是给“训练能跑但结果不对劲”的人准备的。下面的问题我在不同工程里见过多次每条都按现象、原因、解决的顺序写可以直接照着排查。5.1 坑zip 解压后路径乱套训练一启动就报“找不到文件”现象解压、整理目录后运行 train.py报错 FileNotFoundError但路径看起来是对的或者在 windows 上解压后训练正常换到 Linux 上同一份代码报错。原因这个 zip 工程在压缩时可能带了中文目录名或者内部多嵌套了一层文件夹。Windows 上路径大小写不敏感掩盖了问题Linux 上目录里文件名大小写不一致直接失效。还有一部分工程的 config 里写的是相对路径从不同目录启动 train.py 结果完全不同。解决解压后第一件事是 cd 进工程目录执行 ls确认数据目录真实位置然后用软链接统一指向原始 Market1501不要复制重命名。启动命令固定从工程根目录执行不要用 python /path/to/train.py 这种跨目录方式。如果数据文件名有中文或空格先用 rename 批量清掉ReID 代码普遍不做中文路径处理。5.2 坑训练 loss 正常下降但 Rank-1 和论文差 10 个点以上现象训练日志里 loss 从 4 降到 0.3acc 到 95 以上但 evaluate.py 算出来的 Rank-1 只有 70 出头论文里同配置是 89 以上。原因最大的可能性是评估阶段和训练阶段数据预处理不一致。训练用随机裁剪、随机翻转、随机擦除评估应该只用 Resize 加 CenterCrop。如果评估代码里带了 RandomCrop 或漏了 CenterCrop特征分布对不上指标直接崩。另一个常见原因是 query 和 gallery 划分错了有些工程会把 query 图片也塞进 gallery检索时自己检索自己mAP 虚高但 Rank-1 偏低两者矛盾时基本就是数据划分问题。解决先固定随机种子然后把 evaluate.py 里的预处理和训练预处理逐行对比。再检查评估代码里是否在初始化 dataset 时用了 train 模式有些 dataset 类会在 mode 为 train 时自动加随机增强。最后统计 query 和 gallery 是否有重叠文件名有就说明划分脚本有问题回去看数据准备那步。5.3 坑batch size 调小后反而不收敛或者收敛极慢现象显存不够把 batch_size 从 64 调到 24 或 16结果训练 30 个 epoch 后 loss 还在 2 以上mAP 不到 30。原因ReID 的 batch 不适合直接“整体缩放”。batch_size64 对应 16 个身份乘 4 张图缩到 24 如果还是随机采样成 24 个不同身份每个身份只有 1 张图三元组完全失效BN 层的统计量也因为 batch 太小而漂移。这属于典型的“参数改了但没改配套结构”。解决如果显存只够 batch 24改成 8 个身份乘每人 3 张图至少保证每个身份有 3 张正样本。同时把 BN 层改为冻结状态或使用较小的 batch norm momentum比如 momentum 从 0.1 改成 0.01。再配合梯度累积每 2 个 batch 更新一次参数等效 batch 48这样既保住采样结构又不至于让 BN 统计量乱跳。5.4 坑GPU 显存直接 OOM连一个 epoch 都跑不完现象启动训练后几秒钟报 CUDA out of memory然后进程退出。有些人把 batch_size 调到 4 能跑但训练完全失去意义。原因显存爆掉不一定全是 batch size 的锅。输入图片尺寸如果从 [256,128] 被改成 [384,192]显存占用翻 2.25 倍backbone 如果用 ResNet50 的 last_stride2特征图尺寸比 last_stride1 小一半占用更少但丢细节。还有一个隐藏项是 DataLoader 的 num_workers 开太多每多一个 worker 都会复制数据到共享内存峰值显存看似不变但内存带宽吃紧。解决先看这个 zip 工程里默认的 Resize 是不是被改成了大尺寸统一回到 [256,128]。再确认 last_stride 是否等于 1它影响显存和精度的平衡。显存仍不够时用梯度累积替代调小 batch或者开 torch.cuda.amp 混合精度显存能降一半ReID 训练对 fp16 的敏感度比检测低得多基本可以无痛用上。6. 验证与进阶用一张 query 手工走一遍检索再谈值不值得做训练完不是终点你得亲眼看到检索结果才敢把它交给下游。这一章只提供一个最小验证链路以及这条路继续往深走的几个方向。6.1 手工验证加载权重、抽特征、算余弦相似度用 evaluate.py 能看到整体指标但看单张图的检索排序能更直观地判断模型学到的是“外观”还是“某个摄像头下的背景”。手工验证只需要加载模型、抽 query 特征、遍历 gallery 算相似度。# 手工检索验证输出前 5 个结果的文件名 import torch import torch.nn.functional as F model.eval() with torch.no_grad(): q_feat F.normalize(model(transform_query(img_query).cuda())[1], dim1) g_feats [] # gallery 特征列表由 evaluate 阶段缓存得到 names [] # 对应的文件名 for g_img, name in gallery_loader: f F.normalize(model(g_img.cuda())[1], dim1) g_feats.append(f); names.extend(name) g_feats torch.cat(g_feats, dim0) sims torch.mm(q_feat, g_feats.t())[0] # 余弦相似度矩阵 top5 torch.topk(sims, 5).indices.tolist() print([names[i] for i in top5])这段代码里 model 的输出取索引 [1]是因为前向返回了 (feats, logits) 或 (feats, pooled_feats) 两个值具体取哪个看工程定义。验证时用 L2 归一化后的特征做矩阵乘法等价于余弦相似度。如果 top5 里出现了和 query 同一个 ID 但不同摄像头的结果说明模型学到了跨摄像头不变性如果 top5 全是同一个摄像头下的图大概率模型偷懒了它学到的是环境背景不是行人本身。6.2 进阶方向re-ranking、多尺度测试与部署形态这个小流程跑通后你可以按预算选进阶方向。re-ranking 是性价比最高的一项它把 gallery 内部的结构关系考虑进去通常能再涨 2 到 5 个点 mAP但推理时要把整个 gallery 特征送入内存计算适合离线检索场景。多尺度测试是另一个稳定技巧把同一张图缩成 192x96、256x128、320x160 三份分别抽特征再拼接涨点不多但稳定几乎不花训练成本。更接近交付形态的做法是把特征抽取封装成 ONNX 或 TensorRT 的部署接口前接检测模型后接向量数据库做近似最近邻检索。ReID 模型本身不复杂但工程链路比训练长得多。我第一次完整跑通这套链路时最深的教训是不要在训练脚本里省评估代码训练和评估的预处理、数据划分必须同一个来源否则指标永远是自欺欺人。先把这套手工验证跑通再谈优化这条路值得投入它能帮你把零散的检测和目标跟踪串成真正能用的跨镜检索系统。希望帮到你。本文还有配套的精品资源点击获取