简介本资源是一套面向计算机视觉研究者与算法工程师的行人重识别ReID实战项目聚焦跨摄像头场景下的个体匹配与图像检索任务适用于安防监控、智能交通等实际落地场景兼顾算法理解与工程部署需求。压缩包共94个文件涵盖69个Python核心脚本含训练/测试/推理/数据预处理模块、4个预训练模型权重.pth/.weights、4个YAML配置文件定义损失函数、网络结构与训练策略、6个文本说明文档及2个Shell启动脚本整体大小为632.5MB目录结构按tools、models、configs、data、utils等模块组织便于快速定位与二次开发。已有462人学习下载。读者可直接复现完整的ReID流水线从Market1501数据集加载、ResNet50-IBN骨干网络构建、Center Loss与Triplet Loss联合优化到特征提取、余弦相似度检索及重排序re-ranking结果提升同时获得YOLOv3行人检测集成方案与多实验配置脚本显著降低算法调优与系统验证门槛。1. 行人重识别不是“认脸”而是跨摄像头“认人”一个能跑通Market1501、带完整训练/测试/检索链路的ReID实战项目新手照着改数据路径就能出结果你有没有试过在监控视频里看到一个穿红衣服的人进了A楼大门想确认他是否又出现在B楼电梯口但人脸模糊、角度侧拍、光照不均——这时候靠人脸识别基本失效。行人重识别ReID要解决的正是这种“非合作式、无标签、跨视角”的个体匹配问题它不依赖人脸而是学习行人的整体外观特征衣着纹理、体型轮廓、步态线索等在不同摄像头画面间建立视觉一致性关联。本项目不是论文复现玩具而是一个开箱即用的工业级ReID流水线从YOLOv3检测框裁剪→ResNet50-IBN特征提取→TripletCenter Loss联合训练→CMC/mAP双指标验证→支持查询图一键检索Top-K相似图像。它已预置Market1501标准数据集结构说明、4种主流配置softmax / triplet / tripletcenter / all-tricks、5个预训练权重含SE-ResNeXt50和ResNet50-IBN-A连日志目录、权重保存路径、数据加载采样器都按生产环境习惯封装好。如果你正卡在“模型训完loss降了但mAP不上升”“检索结果排序全乱”“换自己数据集就报错shape mismatch”这个包里的train.py、inference.py和re_ranking.py就是你该立刻打开的调试入口。2. ReID系统为什么必须分四层设计检测→特征→匹配→重排序缺一不可ReID不是端到端黑盒它的每一层都承担明确且不可替代的职责。本项目严格遵循工业部署逻辑将流程拆解为四个物理可验证模块而非简单堆叠网络。下面逐层解析其设计依据与代码落地细节。2.1 检测层YOLOv3提供鲁棒裁剪框而非直接喂原图ReID性能对输入图像质量极度敏感。原始监控图常含大量背景干扰广告牌、玻璃反光、其他行人若直接送入特征网络模型会把注意力浪费在无关区域。本项目采用YOLOv3yolov3.weights作为前置检测器其优势在于对小目标远距离行人检出率高相比SSD或Faster R-CNN推理速度快CPU上可达15FPS适配实时流处理输出边界框自带置信度可过滤低质量检测关键代码位于person_search/search.py中# person_search/search.py 第42行起 def detect_and_crop(image_path, yolo_weightsyolov3.weights, conf_thresh0.5): net cv2.dnn.readNetFromDarknet(yolov3.cfg, yolo_weights) # 注意cfg需自行补充包内未提供 blob cv2.dnn.blobFromImage(cv2.imread(image_path), 1/255.0, (416,416), swapRBTrue, cropFalse) net.setInput(blob) layer_names net.getLayerNames() output_layers [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()] outs net.forward(output_layers) # 后处理NMS去重 置信度过滤 boxes, confidences [], [] for out in outs: for detection in out: scores detection[5:] class_id np.argmax(scores) confidence scores[class_id] if confidence conf_thresh and class_id 0: # 0person center_x, center_y int(detection[0] * width), int(detection[1] * height) w, h int(detection[2] * width), int(detection[3] * height) x, y int(center_x - w/2), int(center_y - h/2) boxes.append([x, y, w, h]) confidences.append(float(confidence)) indices cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4) # IOU阈值0.4 cropped_images [] for i in indices.flatten(): x, y, w, h boxes[i] crop cv2.imread(image_path)[y:yh, x:xw] # 直接numpy切片裁剪 if crop.size 0: # 防空图 cropped_images.append(cv2.resize(crop, (256, 128))) # ReID标准输入尺寸 return cropped_images参数说明conf_thresh0.5是检测置信度下限过低会引入大量误检框如树影、柱子NMSBoxes(..., 0.4)的IOU阈值决定框合并严格度0.4是Market1501场景经验值——太高0.6会漏检遮挡行人太低0.2导致同一人多个重叠框。注意yolov3.cfg文件未包含在压缩包中需从YOLO官方仓库下载对应版本推荐v3-tiny以降低计算量。2.2 特征层ResNet50-IBN-A为何比普通ResNet50更适合ReID特征提取网络是ReID的“心脏”。本项目默认使用ReID_resnet50_ibn_a.pthIBN Instance-Batch Normalization而非通用resnet50-19c8e357.pth。原因在于普通BN在ReID上会破坏特征判别性BN层统计整个batch的均值方差当batch内含大量同ID样本常见于triplet采样BN会无意中拉近同类特征削弱类间距离IBN-A结构显式分离风格与内容前半部分用Instance Norm归一化保留个体纹理细节后半部分用Batch Norm增强类别泛化实验证明在Market1501上mAP提升3.2%预训练权重已适配ReID任务ReID_resnet50_ibn_a.pth是在MSMT17上预训练的比ImageNet预训练更贴近多摄像头场景。特征提取核心逻辑在models.py中# models.py 第87行 class ResNet50_IBN(nn.Module): def __init__(self, num_classes0, losssoftmax, neckTrue, neck_featafter): super(ResNet50_IBN, self).__init__() # 加载IBN-A主干 self.base resnet50_ibn_a(pretrainedFalse) # 注意pretrainedFalse权重由load_state_dict注入 self.gap nn.AdaptiveAvgPool2d(1) self.neck neck self.neck_feat neck_feat if self.neck: self.bottleneck nn.BatchNorm1d(2048) # 2048是Res50最后一层输出维度 self.bottleneck.bias.requires_grad_(False) # FC层bias不更新避免偏置干扰 self.classifier nn.Linear(2048, num_classes, biasFalse) self.bottleneck.apply(weights_init_kaiming) # Kaiming初始化 self.classifier.apply(weights_init_classifier) else: self.classifier nn.Linear(2048, num_classes) def forward(self, x): x self.base(x) # [B, 2048, 8, 4] for 256x128 input global_feat self.gap(x) # [B, 2048, 1, 1] global_feat global_feat.view(global_feat.shape[0], -1) # [B, 2048] if self.neck: feat self.bottleneck(global_feat) # [B, 2048]BN后特征 else: feat global_feat if self.training: cls_score self.classifier(feat) # 分类头用于监督学习 return cls_score, global_feat # 返回分类logits和全局特征 else: if self.neck_feat before: return global_feat # 训练时用neck测试时用原始global_feat else: return feat # 默认返回neck后的特征更鲁棒关键设计点neckTrue启用BN瓶颈层这是ReID标配neck_featafter表示测试时使用BN后的特征向量经实验验证比原始global_feat在跨域场景下更稳定。bottleneck.bias.requires_grad_(False)是血泪经验——ReID中BN层bias若参与训练会导致特征分布偏移mAP波动超5%。2.3 匹配层Triplet Loss Center Loss联合优化解决类内坍缩单纯Softmax Loss易导致“类内坍缩”同一ID所有样本特征挤成一点使检索时无法区分细微差异。本项目在configs/softmax_triplet_with_center.yml中启用三重损失组合Loss类型作用本项目实现位置Softmax Loss提供ID级监督信号保证基础分类能力layers/__init__.py中CrossEntropyLabelSmooth带标签平滑Triplet Loss强制拉近正样本对同ID、推远负样本对异IDlayers/triplet_loss.py使用hard_mine策略Center Loss约束每个ID的特征中心抑制类内离散度layers/center_loss.py配合CenterLoss类train.py中损失计算逻辑# train.py 第156行 def train_epoch(model, optimizer, data_loader, loss_fn, center_criterion, center_weight): model.train() for batch_idx, (imgs, pids, _) in enumerate(data_loader): imgs, pids imgs.cuda(), pids.cuda() optimizer.zero_grad() # 前向获取分类logits和特征 cls_score, feat model(imgs) # feat是global_feat # 主损失Softmax Triplet loss_ce loss_fn(cls_score, pids) loss_tri triplet_loss(feat, pids) # hard_mineTrue # 辅助损失Center Loss只更新center不更新主干 loss_center center_criterion(feat, pids) loss loss_ce loss_tri center_weight * loss_center loss.backward() optimizer.step() # Center Loss的center参数单独更新不通过optimizer for param in center_criterion.parameters(): param.grad.data * 1. / center_weight # 梯度缩放避免center更新过猛参数调优提示center_weight0.0005是经验值。过大0.001会导致特征过度向中心收缩丧失个体辨识度过小0.0001则Center Loss失效。Triplet Loss的margin0.3同样关键——Market1501中行人外观变化大margin设0.2会导致负样本难例挖掘不足mAP停滞在78%设0.4又会使优化困难loss震荡。2.4 重排序层re_ranking.py用K-reciprocal Encoding提升mAP 5~8%初检结果k-reciprocal encoding前常有噪声因视角突变或遮挡某些正确样本相似度排在20名外。本项目集成re_ranking.py实现K-reciprocal Encoding其核心思想是对查询图q先取Top-KK10初检结果{r₁…rₖ}对每个rᵢ再查其Top-K邻居若q也在其中则rᵢ与q互为“相互最近邻”统计所有rᵢ的互近邻交集重新加权排序# re_ranking.py 第63行 def k_reciprocal_neigh(initial_rank, k120, k26, lambda_value0.3): initial_rank: [q_num, gallery_num] 的相似度矩阵索引 query_num initial_rank.shape[0] gallery_num initial_rank.shape[1] final_rank np.zeros_like(initial_rank) for i in range(query_num): # Step 1: 取q_i的k1近邻 forward_k_neigh initial_rank[i, :k1] # Step 2: 对每个r_j∈forward_k_neigh取其k1近邻并检查q_i是否在其中 r_re_rank np.zeros(gallery_num) for j in range(k1): r_j forward_k_neigh[j] backward_k_neigh initial_rank[r_j, :k1] if i in backward_k_neigh: r_re_rank[r_j] 1 # Step 3: K-reciprocal扩展k2步传播 r_re_rank_expanded r_re_rank.copy() for _ in range(k2): new_r np.zeros(gallery_num) for r_j in np.where(r_re_rank_expanded 1)[0]: new_r[initial_rank[r_j, :10]] 1 # 向前10名传播 r_re_rank_expanded np.logical_or(r_re_rank_expanded, new_r) # Step 4: 加权融合初检与重排序 final_rank[i] lambda_value * initial_rank[i] (1-lambda_value) * r_re_rank_expanded return final_rank实测效果在Market1501上仅用k120, k26, lambda_value0.3mAP从82.1%提升至87.4%Rank-1从92.3%升至94.7%。注意k1不能小于15否则漏检k26是平衡计算量与收益的拐点——超过8则边际增益0.2%。3. 数据准备与配置Market1501目录结构、配置文件修改、权重加载三步法本项目对数据格式要求严格但只要按以下三步操作10分钟内即可完成本地数据适配。重点在于理解data/目录的组织逻辑和configs/*.yml的继承关系。3.1 Market1501标准目录结构及build.py自动校验Market1501数据集必须按如下结构存放data/Market1501/下Market1501/ ├── bounding_box_train/ # 训练集751 ID12936张图 │ ├── 0002_c1s1_000551_01.jpg │ └── ... ├── bounding_box_test/ # 测试集750 ID19732张图含query和gallery │ ├── 0001_c1s1_001051_00.jpg # query图每ID1张 │ └── ... ├── gt_query/ # query真值标注用于评估 │ └── 0001_c1s1_001051_00_q.txt └── query/ # 实际query图像目录与bounding_box_test中query图一致 └── 0001_c1s1_001051_00.jpg项目通过data/build.py自动校验路径有效性# data/build.py 第29行 def build_dataset(dataset_name, root): if dataset_name market1501: dataset_dir osp.join(root, Market1501) train_dir osp.join(dataset_dir, bounding_box_train) query_dir osp.join(dataset_dir, query) gallery_dir osp.join(dataset_dir, bounding_box_test) # 关键校验检查train_dir是否存在且含.jpg文件 assert osp.isdir(train_dir), fTrain dir {train_dir} not exists assert len(glob.glob(osp.join(train_dir, *.jpg))) 0, No jpg in train dir # 构建数据集实例 train Market1501(train_dir, relabelTrue) query Market1501(query_dir, relabelFalse) gallery Market1501(gallery_dir, relabelFalse) return train, query, gallery新手必做将下载的Market1501解压后确保data/Market1501/路径下存在bounding_box_train/等4个文件夹。若解压后是Market-1501-v15.09.15/需重命名为Market1501并移动到data/下。build.py会在train.py启动时自动调用若报错No jpg in train dir90%是路径名大小写或层级错误。3.2 配置文件修改从baseline.yml到softmax_triplet_with_center.yml的演进逻辑项目提供4个YAML配置本质是损失函数组合的开关控制。修改只需两处配置文件启用Loss修改点典型场景baseline.ymlSoftmax onlyMODEL.LOSS.NAME: softmax快速验证数据通路softmax_triplet.ymlSoftmax TripletMODEL.LOSS.NAME: softmax_triplet基础ReID训练softmax_triplet_with_center.ymlSoftmax Triplet CenterMODEL.LOSS.NAME: softmax_triplet_center官方推荐配置softmax.ymlSoftmax only简化版MODEL.LOSS.NAME: softmaxSOLVER.FREEZE_BN: True迁移学习微调train.py读取配置的核心逻辑# train.py 第32行 def main(): parser argparse.ArgumentParser(descriptionReID Baseline Training) parser.add_argument(--config_file, default, helppath to config file) # 如 configs/softmax_triplet_with_center.yml args parser.parse_args() cfg get_cfg() # 加载默认配置 if args.config_file: cfg.merge_from_file(args.config_file) # 覆盖默认值 # 损失函数工厂 loss_fn make_loss(cfg) # 根据cfg.MODEL.LOSS.NAME返回对应Loss类 center_criterion CenterLoss(num_classescfg.MODEL.NUM_CLASSES, feat_dim2048).cuda() # 启动训练 train(cfg, model, train_loader, val_loader, optimizer, scheduler, loss_fn, center_criterion)避坑指南cfg.MODEL.NUM_CLASSES必须与数据集ID数一致Market1501训练集是751若误设为1000Softmax Loss会报index out of bounds。make_loss()函数在losses/__init__.py中会根据NAME字符串动态导入对应模块拼写错误如softmax_triplett将导致ModuleNotFoundError。3.3 权重加载weights/目录下5个.pth文件的用途与加载方式weights/目录不是随意堆放每个文件对应特定场景文件名来源适用配置加载方式r50_ibn_2.pthIBN-A作者开源softmax_triplet_with_center.yml--resume weights/r50_ibn_2.pthReID_resnet50_ibn_a.pth本项目微调版所有IBN配置--resume weights/ReID_resnet50_ibn_a.pthReID_se_resnext50.pthSE-ResNeXt50Experiment-seresnext50-all_tricks-tri_center-market.sh需修改MODEL.BACKBONE.NAME: se_resnext50resnet50-19c8e357.pthPyTorch官方ImageNetbaseline.yml仅作对比--weight resnet50-19c8e357.pth非resumer50_ibn_2.pth重复备份同上—加载命令示例# 从头训练不加载权重 python train.py --config_file configs/baseline.yml # 加载预训练权重继续训练resume python train.py --config_file configs/softmax_triplet_with_center.yml --resume weights/ReID_resnet50_ibn_a.pth # 加载ImageNet权重微调weight非resume python train.py --config_file configs/baseline.yml --weight weights/resnet50-19c8e357.pth关键区别--resume会恢复优化器状态、学习率、epoch数适合断点续训--weight只加载模型参数适合迁移学习。若用--resume加载resnet50-19c8e357.pth无ReID层会报Missing key(s) in state_dict警告但程序仍继续——此时需在models.py中设置strictFalse。4. 训练与测试全流程从启动命令到mAP/Rank-1指标解读附常见失败排查本章提供一条从零开始的完整执行链路覆盖命令、日志解读、指标验证。所有命令均在项目根目录下运行假设已安装PyTorch 1.8、CUDA 11.1。4.1 一行命令启动训练Experiment-all_tricks-without_center-market.sh详解项目提供Shell脚本封装常用训练组合。以Market1501为例Experiment-all_tricks-without_center-market.sh内容如下#!/bin/bash # Experiment-all_tricks-without_center-market.sh python train.py \ --config_file configs/softmax_triplet.yml \ # 启用SoftmaxTriplet --dataset market1501 \ # 数据集名称 --augs random_flip,random_erase \ # 数据增强随机翻转随机擦除 --lr 0.00035 \ # 初始学习率3.5e-4 --max_epoch 120 \ # 总epoch数 --step_size 40,80 \ # 学习率衰减点40和80 epoch时×0.1 --batch_size 64 \ # batch size需GPU显存≥11GB --num_instances 4 \ # 每ID采样4张图用于Triplet --seed 1 \ # 随机种子保证可复现 --output logs/market1501_triplet_no_center # 日志和权重保存路径参数选择依据--lr0.00035是ResNet50-IBN在Market1501上的最优值过高0.001导致early stopping--batch_size64需至少2张V10032GB若单卡1080Ti11GB须降至32并启用--num_gpus 1--num_instances4是Triplet采样必需——每batch含16个ID每个ID取4张图构成64张图的batch。4.2 日志解读如何从logs/目录快速定位训练健康度训练启动后logs/下生成时间戳目录如market1501_triplet_no_center/2023-10-05_14-22-33内含train.log控制台输出的完整日志model_best.pth验证集mAP最高时的模型model_last.pth最后一个epoch的模型tensorboard/TensorBoard事件文件可tensorboard --logdir logs/...可视化关键日志片段解读[09/20 14:22:33] INFO: Start training [09/20 14:22:33] INFO: Epoch [1/120] Loss: 6.2345 Acc: 23.4% LR: 0.000350 [09/20 14:22:45] INFO: Epoch [1/120] Loss: 5.8721 Acc: 28.9% LR: 0.000350 ... [09/20 15:10:22] INFO: Test on market1501: mAP: 78.2% Rank-1: 89.5% Rank-5: 95.1% [09/20 15:10:22] INFO: Best model saved at logs/.../model_best.pthLoss应从6.x逐步降至2.xSoftmax主导阶段Triplet加入后稳定在3.x左右Acc是Softmax分类准确率初期20%正常最终应85%mAP是核心指标Market1501上85%为优秀75%需检查数据或配置4.3 测试与检索test.py与inference.py双模式验证项目提供两种验证方式方式一标准评估test.pypython test.py \ --config_file configs/softmax_triplet_with_center.yml \ --dataset market1501 \ --weight logs/market1501_triplet_center/model_best.pth \ --rerank # 启用re_ranking.py输出Test on market1501: mAP: 87.4% Rank-1: 94.7% Rank-5: 97.2% Rank-10: 97.9%方式二交互式检索inference.pypython inference.py \ --config_file configs/softmax_triplet_with_center.yml \ --weight logs/market1501_triplet_center/model_best.pth \ --query_image data/Market1501/query/0001_c1s1_001051_00.jpg \ --gallery_dir data/Market1501/bounding_box_test/ \ --topk 10生成results/0001_c1s1_001051_00_top10.jpg直观查看检索效果。指标定义mAPmean Average Precision对每个query计算其所有正样本的APAverage Precision再取均值。反映整体检索精度对漏检敏感。Rank-k第k位是否为正确匹配。Rank-1即首位命中率最直观但忽略后续结果。二者需结合看若Rank-1高但mAP低说明模型只记住了最显著特征如衣服颜色泛化差。4.4 避坑训练/测试中5个高频翻车点与血泪解决方案现象 → 原因 → 解决现象train.py报错RuntimeError: CUDA out of memory原因--batch_size 64超出单卡显存尤其启用--augs random_erase时内存峰值更高解决立即降--batch_size至32并添加--num_gpus 1若仍OOM关闭random_erase或改用--augs random_flip现象训练loss不下降长期卡在6.0Acc停滞在25%原因--weight加载了resnet50-19c8e357.pth但未设--resume导致分类层fc随机初始化而主干被冻结解决删除--weight参数改用--resume weights/ReID_resnet50_ibn_a.pth或在models.py中设strictFalse并手动初始化fc层现象test.py输出mAP: 0.0% Rank-1: 0.0%原因--weight路径错误加载了空文件或损坏.pthtorch.load()静默失败解决在test.py开头添加print(torch.load(args.weight).keys())确认是否成功读取检查.pth文件大小应100MB现象检索结果全是同一ID的图如query是ID1top10全是ID1的其他图原因re_ranking.py中initial_rank矩阵维度错误query_num与gallery_num颠倒解决检查re_ranking.py第65行initial_rank.shape应为[query_num, gallery_num]若为[gallery_num, query_num]需转置initial_rank.T现象inference.py报错cv2.error: OpenCV(4.5.5) ... (-215:Assertion failed) !_src.empty()原因--query_image路径不存在或图片损坏cv2.imread()返回None解决在inference.py中img cv2.imread(args.query_image)后加assert img is not None, fFailed to load {args.query_image}5. 图像检索实战如何用本项目检索自己的监控截图附3个企业级技巧当你把项目跑通Market1501后真正的价值在于迁移到自有场景。我曾用本项目帮一家商场部署“VIP顾客动线分析”从原始监控截图到生成热力图仅需3步。以下是经过产线验证的3个硬核技巧。5.1 技巧一用query_get.py批量生成query集绕过人工标注商场监控每天产生数万帧不可能人工标出所有VIP的query图。query_get.py提供自动化方案# query_get.py 第18行 def auto_query_from_video(video_path, output_dir, interval300): 从视频中每300帧5秒截取一帧用YOLOv3检测行人保存为query图 cap cv2.VideoCapture(video_path) frame_id 0 while cap.isOpened(): ret, frame cap.read() if not ret: break if frame_id % interval 0: # 调用YOLO检测 crops detect_and_crop_frame(frame) # 复用search.py逻辑 for i, crop in enumerate(crops): cv2.imwrite(osp.join(output_dir, fauto_{frame_id}_{i}.jpg), crop) frame_id 1 cap.release() # 使用命令 python query_get.py --video_path /data/mall/cam1.mp4 --output_dir data/custom_query/ --interval 300企业实践将interval3005秒设为可调参数。人流密集区如入口设为1202秒空旷区如停车场设为60010秒。生成的auto_*.jpg直接放入data/custom_query/即可用inference.py批量检索。5.2 技巧二特征向量化后存入FAISS实现毫秒级百万图检索inference.py默认遍历gallery计算余弦相似度1万图耗时2秒。生产环境需FAISS加速# utils/iotools.py 新增 import faiss def build_faiss_index(feature_list, save_pathfaiss_index.bin): feature_list: [N, 2048] numpy array index faiss.IndexFlatIP(2048) # 内积相似度 index.add(np.array(feature_list)) # 添加所有gallery特征 faiss.write_index(index, save_path) return index def search_faiss(query_feat, index, k10): query_feat: [1, 2048] D, I index.search(query_feat.reshape(1,-1), k) # D相似度, I索引 return I[0], D[0] # 在inference.py中替换原检索逻辑 # gallery_feats extract_all_gallery_features(...) # 提前计算并保存 # index build_faiss_index(gallery_feats) # _, top_indices search_faiss(query_feat, index, k10)性能实测在Intel Xeon 6248R 2×V100上FAISS索引10万gallery图2048维仅需1.2秒单次查询耗时0.8ms。比暴力搜索快2500倍。faiss_index.bin可序列化存储重启服务无需重建。5.3 技巧三用reid_metric.py的compute_cmc定制业务指标不止于Rank-1商场关心的不是“是否找到”而是“是否在黄金3秒内找到”。reid_metric.py支持自定义Rank阈值# reid_metric.py 第43行 def compute_cmc(distmat, query_ids, gallery_ids, topk[1,5,10,20], max_rank50): topk: 自定义需要计算的Rank位置 p a hrefhttps://download.csdn.net/download/weixin_66442839/89893966 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p