尽管提出了多种方法以在行人属性识别领域取得进展，但现有数据集中一个关键问题常常被忽视，即训练集和测试集中存在大量相同的行人身份，这与实际应用情况不符。因此，训练集和测试集中同一行人的图像极为相似，导致在现有数据集上评估的最先进方法性能被高估。为了解决这一问题，我们基于PETA和RAPv2数据集提出两个现实的数据集PETA({zs})和RAPv2({zs})，遵循行人身份的零样本设置（zero-shot setting）。此外，与我们的强基线方法相比，我们观察到最近的最先进方法在PETA、RAPv2、PETA({zs})和RAPv2({zs})数据集上并未表现出性能提升。因此，通过解决行人属性识别中固有的属性不平衡问题，我们提出了一种高效的方法以进一步提高性能。在现有数据集和新提出的数据集上的实验验证了我们方法的优势，达到了最先进水平的性能。