retianet + pytorch-reid实现了在摄像头中行人重识别的任务

一个浪漫务实的菜鸟

于 2020-01-02 09:51:31 发布

阅读量2.8k

点赞数 3

分类专栏：计算机视觉 PyTorch 人工智能

本文链接：https://blog.csdn.net/weixin_40327145/article/details/103798831

版权

该博客分享了一个基于RetinaNet的行人检测和Pytorch-ReID的行人重识别完整框架，提供了代码仓库链接。通过将新算法模型添加到代码中，可直接进行训练和应用。文章包含流程图、运行环境依赖、脚本使用说明及模型效果展示，展示了模型训练后对行人的聚焦响应。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

说明

关于行人重检测和行人重识别的整个算法框架整理了一份代码，放到了github上。主要是行人重识别部分，方便大家以后在跟进新的算法，发表论文，或算法落地到实际场景中时，该部分代码可直接移植到硬件设备中运行，使用是直接可以把自己的算法添加到models中即可。
代码地址： https://github.com/zhanghlgithub/pytorch-reid.git
本代码完成了行人检测和行人重识别的工作，行人检测使用Retianet作为主干网络，损失函数使用Focal loss，参考论文
行人重识别部分，已经最简化了行人重识别的训练过程，只需将自己读到的最新算法的网络结构，添加到reid/deep-person-reid/torchreid/models目录下，即可训练自己的模型。参考pytorch-reid库，参考代码。本代码修改了库的部分源码，实现了在摄像头中实时的响应行人重识别的任务。
接下来会单独写一篇博客说明Pytorch-ReID每个文件的作用以及如何修改使用到自己的算法逻辑中，也可以参考上文给出的参考链接。