红外场景下行人重识别【附代码，可做跨视频人员检测】

本项目实现了基于红外场景下的行人重识别，主要利用了YOLO目标检测算法和ReID行人重识别技术。相较于可见光场景，红外场景具有不受光照影响、可穿透烟雾等优势，在安防监控、智能交通等领域具有广泛应用前景。然而，红外图像分辨率低、细节信息缺失等特点也为行人重识别带来了巨大挑战。本项目针对红外场景特点，对YOLO和ReID算法进行了改进和优化，有效提升了红外场景下行人重识别的准确率和鲁棒性。

代码：https://github.com/YINYIPENG-EN/yolov5_red_reid.git

---

支持功能说明

1.reid训练：√

2.人员标注：√

3.人员查找(可做跨视频人员检测)：√

4.冻结训练：√

5.继续训练：√

6.GUI界面：√

---

效果演示

直接看效果图：

监控场景下视频效果如下所示：

红外场景下行人重识别(可支持跨多视频检测)

数据集说明

数据集链接：

通过网盘分享的文件：CASIA-Markt.zip
链接: https://pan.baidu.com/s/11h6j0Hu0D3JFHKpOG5acpg 提取码: twpv 

本项目所用数据集为中科院开源红外行人数据集(CASIA-C). 

该数据共有行人153个，15558张图像。

本项目针对行人重识别任务已经进行了预处理和部分数据的清洗。

(注：本项目是将CASIA-C二值化后的图像进行的预处理，包括行人的提取，示例如下)：

CASIA-C数据集二值化

提取目标行人

---

GUI界面 

下图是GUI界面的demo界面。

项目使用说明

训练

快速开启训练：

python tools/train.py

支持中断后的记录训练、冻结训练等。

如果你还需要调整其他训练期间的参数，详见项目中的readme文件。

测试

该测试脚本用于复现评价指标。

输入以下命令即可快速开启测试，获得测试结果

【此脚本是针对训练后的模型单独获得测试结果，例如mAP、Rank等指标】

python tools/test.py --weights 你训练好的权重

测试结果如下：

(这里仅训练几十轮)

Validation Results
mAP: 56.4%
CMC curve, Rank-1  :85.7%
CMC curve, Rank-5  :92.2%

---

 说明

(本项目为有偿项目，按功能收取费用，可按自己需求购买~

关于售后：对于基础理论部分可免费讲解，可免费远程调试程序和答疑，帮你省去不必要的时间~可直接扫描文末二维码添加，或微信直接搜y24065939s)

收费部分：

1.训练核心代码(含tensorboard)

2.GUI界面

3.跨多视频检测(无GUI)

以上三个功能均独立，可按需求购买。