传统的基于深度神经网络的行人搜索算法计算量大，在大规模部署时搜索性能低，导致算法在落地应用于硬件和预算有限的终端时面临成本高、速度慢的难题。针对以上问题，提出一种基于Sophon SC5+高性能推理芯片的行人检测与重识别算法，从算法到硬件自上而下地优化深度学习的效率。首先，利用轻量化的Ghost模块替换YOLOv5s的主干网络，从而大幅度降低模型的参数和计算量；其次，融入CBAM注意力机制，以增强算法的特征学习能力，并提高检测精度；然后，将中心损失约束和 Non-local注意力机制加入行人重识别模块，并结合中心约束三元组损失和附加间隔交叉熵损失优化模型，以提升行人重识别算法性能；最后，基于Sophon SC+量化行人检测模型和行人重识别模型并生成最终的推理模型。在Market-1501与DukeMTMC-ReID数据集上的实验结果表明，相较于YOLOv4-tiny、ACRN、SVDNet等主流算法，行人检测算法与行人重识别算法的平均精度均值（mAP）至少提高了43.8和25.7个百分点。基于Sophon SC5+芯片实现int8量化后，所提算法的mAP虽然减小了1.7个百分点，但模型大小减小了74.4%，能够在大规模、城市级行人搜索系统中落地使用。
