open-metric-learning

收录理由

度量学习与传统分类训练不同，它直接塑造嵌入向量的空间分布，让相似的样本靠得更近，不相似的样本彼此远离，这正是图像检索、近似重复检测和商品搜索在实际中能跑通的关键。OML 把这套流程打包成一个 PyTorch 框架，省去你自行拼接研究代码的麻烦。里面提供了度量学习专用的损失函数、难例挖掘器和采样器，还内置 ViT、CLIP 这类预训练特征提取器。它的流水线能完成特征提取和后续处理，比如自适应阈值和 Siamese 重排，并输出 precision-at-k、FNR@FMR 等评价指标。如果你已经在用 PyTorch Lightning，这些训练模块和 DDP 支持可以很顺滑地接入，而且同一套代码能用在图像、文本或音频数据上。