Gitter: fast-reid/community
微信:
FastReID 是一个实现最先进的重新识别算法的研究平台。它是之前版本 reid 强基线 的从头重写版。
最新更新
- [2021年9月] DG-ReID 已更新,你可以查看 论文。
- [2021年6月] 支持 Contiguous parameters,现在精度提升约20%。
- [2021年5月] 支持 Vision Transformer backbone,见
configs/Market1501/bagtricks_vit.yml
。 - [2021年4月] FastFace 中支持 Partial FC!
- [2021年1月] FastRT 中的 TRT 网络定义 API 已发布!感谢 Darren 的贡献。
- [2021年1月] 基于 FastReID 的 NAIC20(reid 轨道)1-方案 已发布!
- [2021年1月] FastReID V1.0 已发布!🎉 支持超越 reid 任务的多个任务,如图像检索和人脸识别。见 发布说明。
- [2020年10月] 添加了基于 FastReID 的 超参数优化。见
projects/FastTune
。 - [2020年9月] 添加了基于 FastReID 的 人物属性识别。见
projects/FastAttr
。 - [2020年9月] 支持自动精度混合训练,使用
apex
实现。将cfg.SOLVER.FP16_ENABLED=True
来打开。 - [2020年8月] 支持 模型蒸馏,感谢 guan'an wang 的贡献。
- [2020年8月] 支持 ONNX/TensorRT 转换器。
- [2020年7月] 支持多 GPU 分布式训练,训练速度更快。
- 包含更多功能,如 circle loss、大量可视化方法和评估指标,在常规、跨领域、部分和车辆 re-id 方面达到 SoTA 结果,同时在多个数据集上进行测试等。
- 可用作支持 不同项目 的库。我们将以这种方式开源更多研究项目。
- 移除了 ignite(一个高级库)依赖,并由 PyTorch 提供支持。
我们写了一篇关于此工具包的 fastreid 介绍 和 fastreid v1.0。
更新日志
请参阅 changelog.md 了解详细信息和发布历史。
安装
见 INSTALL.md。
快速开始
设计架构遵循此指南 PyTorch-Project-Template,你可以自己查看每个文件夹的用途。
在我们的 文档 中了解更多。并查看 projects/ 以获取基于 FastReID 构建的一些项目。
模型库和基线
我们提供了一大批基线结果和可供下载的训练模型,见 Fastreid Model Zoo。
部署
我们提供了一些示例和脚本来将 Fastreid 模型转换为 Caffe、ONNX 和 TensorRT 格式,见 Fastreid deploy。
许可证
Fastreid 依据 Apache 2.0 license 发布。
引用 FastReID
如果你在研究中使用 FastReID 或希望引用在模型库发布的基线结果,请使用以下 BibTeX 条目。
@article{he2020fastreid,
title={FastReID: A Pytorch Toolbox for General Instance Re-identification},
author={He, Lingxiao and Liao, Xingyu and Liu, Wu and Liu, Xinchen and Cheng, Peng and Mei, Tao},
journal={arXiv preprint arXiv:2006.02631},
year={2020}
}