MMS-VPRlib 把街景视觉定位的数据集和 17 个以上基线收进同一个入口。仓库今天新建，是合作仓库的镜像。

MMS-VPR 源码精读：一条流水线，如何把街景定位的图、视频和文字放到同一套评测里？

街景定位以前多半只吃一张图。这个仓库把图、视频和文字放进同一条评测流水线，并带上 17 个以上的基线。

论文｜MMS-VPRlib 对应的论文，Ou 等人，2025 论文地址｜https://arxiv.org/abs/2505.12254^[1]代码地址｜https://github.com/YiweiOu/MMS-VPRlib^[2]代码日期｜仓库创建于 2026-10-08，是 yiasun/MMS-VPRlib 的镜像

Figure. Workflow of MMS-VPRlib.

01 / 先看结论

• 解决了什么： 视觉地点识别的数据集和模型各写各的评测，换一个基线就要改一截数据加载。
• 改了什么：run.py 一个入口，后面接数据、预处理、增强、对齐、融合和统一评测。模态覆盖图片、视频和文字。
• 停在哪里： 默认图片根目录写在代码里的是 ../raw。数据集本身在 Hugging Face，不在这个仓库里。

先看 run.py，再看 models/。README 给的第一条命令是 python run.py --model resnet --batch_size 32 --num_epochs 50。

02 / 问题背景

街景定位要回答的是：这张图是在哪个地点拍的。Pittsburgh、Tokyo 24/7、Nordland 这些数据集的目录和划分都不一样。模型这边从浅层机器学习、CNN、Transformer，到 CLIP、BLIP，再到 GCN、GAT、HGNN，输入也不都是单张图。

各写一套脚本，数字就不能直接比。这个库想把加载、训练和评测固定下来。MMS-VPR 数据集本身有 110,529 张图、2,527 段视频、208 个地点，行人视角，跨白天和夜晚，时间跨度 7 年。这些数写在 README 的 Dataset 一节。

能不能让一张图、一段视频、一段文字，走同一套划分和同一套指标？

03 / 方法拆解

主线是：多模态输入，预处理，信号增强，对齐与融合，然后标准化评测。

设计一是模块可以换。增强、对齐、特征级融合和分数级融合都做成可插拔组件。基线列表覆盖浅层机器学习、CNN、Transformer、视觉语言和基于图的模型。

设计二是数据不跟代码绑死。MMS-VPR 放在 Hugging Face，仓库同时声明支持 Pittsburgh、Tokyo 24/7、Nordland、New College 和 Cambridge。图片按类别子目录放在 raw/ 下面。MMS-VPR 的目录名用地点编码，例如 N-1-1/、Eh-1-1/。文字标注在 sample_data_texts.xlsx，列包括 Type、Primary Class (Merged) 和 Code。

预训练语言模型在运行时下载。图片根目录的默认值是 ../raw，不是仓库内部的 raw/。这两处路径差一级，换机器时先对上这一层。

04 / 源码对照

run.py  → models/  → scripts/classification/  → raw/ 与 sample_data_texts.xlsx

run.py 是 README 写明的主入口。模型实现放在 models/，训练和评测脚本放在 scripts/classification/。我没有把 run.py 跑起来，ResNet 那条命令的默认超参以 README 的 Quick Start 为准。

另一件要分开看的是镜像。这个仓库写明自己是 yiasun/MMS-VPRlib 的镜像，合作者包括 Yiwei Ou、Xiaobin Ren、Ronggui Sun、Guansong Gao、Kaiqi Zhao 和 Manfredo Manfredini。引用要求指向 Ou et al., 2025，并参考原始仓库。

raw/ 是数据根的一种摆法。代码默认找的是 ../raw。同名目录不在同一层。

05 / 实验配置

• 数据：MMS-VPR，110,529 张图，2,527 段视频，208 个地点。另外列出 Pittsburgh、Tokyo 24/7、Nordland、New College、Cambridge。
• 入口命令：python run.py --model resnet --batch_size 32 --num_epochs 50。
• 依赖：Python 3.8 以上，PyTorch 1.8 以上，pip install -r requirements.txt。
• 语言模 型权重在运行时下载。图片要自己放到 raw/。
• 许可证徽章写的是 CC BY 4.0。

换数据集时，划分和目录编码会变。README 说评测用固定划分和超参配置，并报告运行时间和显存。我没有在这次阅读里核对每一份配置文件。

06 / 结果怎么看

README 没有给出一张总表，说某个模型在某个数据集上是多少。它给的是数据规模和基线覆盖范围：17 个以上基线，10 个以上数据集。

我没有跑 run.py。Quick Start 里的 ResNet、batch size 32、50 个 epoch，只说明仓库准备这样启动，不说明这个设置已经在 MMS-VPR 上跑出了名次。

这个仓库目前能确认的是流水线和数据组织，不是一份已经复算过的排行榜。

07 / 论文与代码

论文链接是 arXiv:2505.12254。README 要求引用 Ou et al., 2025。代码侧能对上的是流水线、多模态输入和 MMS-VPR 的规模。

仓库比论文徽章多写的是工程细节：run.py 的参数，../raw 的默认根目录，文字表的列名，以及这是一个镜像仓库。

17 个以上基线是 README 的覆盖声明。我没有逐个打开 models/ 里的每个文件去数。

08 / 复现路线

先克隆原始仓库或这个镜像，安装 requirements.txt。图片按类别放进数据根，MMS-VPR 从 Hugging Face 下。文字表用仓库里的 sample_data_texts.xlsx。

最小命令是 README 那条 ResNet。跑通的标志是训练脚本能读到 ../raw，而不是在仓库里找一个同名的空目录。

最容易看错的就是这一层相对路径。代码写 ../raw，文档示意图写 raw/。

09 / 判断

值得留下的是把图、视频、文字和十几条基线收到一个入口里。街景定位要换模型时，不用先重写数据加载。

数据集不在仓库里，默认路径和文档示意图差一级，镜像也不等于原始仓库的每一次更新。排行榜上的数字，README 没有放出来。

这个库把评测流水线先固定下来。模型谁高谁低，要等数据和 run.py 真的跑过以后再看。

参考资料

[1] 论文 https://arxiv.org/abs/2505.12254^[3]

[2] 代码 https://github.com/YiweiOu/MMS-VPRlib^[4] 原始仓库：https://github.com/yiasun/MMS-VPRlib^[5]

[3] 数据 https://huggingface.co/datasets/Yiwei-Ou/MMS-VPR^[6]

[4] 入口 run.py images/Workflow-MMSVPRlib.png

引用链接