YOLOv5行人重识别项目
项目简介
本项目结合了YOLOv5目标检测模型和行人重识别（ReID）技术，旨在实现跨视频的行人检测与重识别功能。通过本项目，用户可以训练自己的行人重识别模型，并在视频中进行行人检测和跨视频的人员追踪。
主要功能
- 行人重识别训练：支持多种主干网络（如resnet50, resnet50_ibn_a, se_resnext50等），用户可以根据需求选择合适的网络进行训练。
- 继续训练与微调：支持中断后的继续训练或微调训练，方便用户在已有模型的基础上进行进一步优化。
- 冻结训练：提供冻结训练功能，加快网络前期训练速度。
- TensorBoard可视化：支持训练过程中的评价指标、困难样本可视化，方便用户监控训练进度和效果。
- 人员标注：支持视频中的人员标注功能，用户可以通过鼠标框选标注特定人员。
- 跨视频人员检测：支持跨视频的人员检测功能，可以在不同摄像头拍摄的视频中追踪同一人员。
环境要求
- matplotlib>=3.2.2
- numpy>=1.18.5
- opencv-python>=4.1.2
- Pillow>=7.1.2
- PyYAML>=5.3.1
- requests>=2.23.0
- scipy>=1.4.1
- torch>=1.7.0
- torchvision>=0.8.1
- tqdm>=4.41.0
- pytorch-ignite=0.4.11
使用说明
训练模型
- 下载代码并配置环境。
- 准备训练数据集，并进行数据预处理。
- 运行训练脚本，开始模型训练。
测试模型
- 使用训练好的模型进行测试，获取测试结果（如mAP、Rank等指标）。
- 可以通过TensorBoard查看训练过程中的评价指标和困难样本。
人员标注与查找
- 使用人员标注工具对视频中的特定人员进行标注。
- 运行人员查找脚本，实现跨视频的人员检测和追踪。
注意事项
- 本项目部分功能有偿提供，具体详情请联系项目开发者。
- 训练和检测是两个独立的项目，使用时需分别配置。
联系我们
如有任何问题或建议，请联系项目开发者。