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

原文来自：CSDN      原文链接：https://blog.csdn.net/weixin_40327145/article/details/103798831

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。

流程图如下：

目录说明

- detection  # 行人检测部分代码
	-- NMS   # NMS算法库，这个是额外添加进来的，需要nvcc编译，也可以自己写
	-- cam_detection.py # 在摄像头中测试行人检测效果- reid      # 行人重识别部分代码
	-- .  	# 该部分代码主要基于pytorch 库修改12345

运行环境依赖

硬件环境：
	Ubuntu 16.0.4， Pytorch > 1.2, cuda+cudaa（根据自己电脑安装相应版本）
库依赖：
	pip install pandas
	pip install pycocotools
	pip install opencv-python
	pip install requests
其他安装按照reid/deep-person-reid/requirements.txt补充安装12345678

运行脚本及使用

python demo.py   # 查看级联模型的在视频中的效果# 说明：需要把预训练的模型加载到对应的ckpt文件，已经打包到百度云链接，链接地址12

# 本代码库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12

效果展示：

ReID效果展示

模型训练前后提取特征对比


发现训练后的模型，对人体的响应更聚焦，说明我们的算法收敛的还不错，使用hotmap可以更直观的查看自己模型和算法的效果

模型效果展示

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com