Les méthodes modernes de réidentification de personnes (Re-ID) présentent une faible capacité de généralisation et subissent une baisse importante de précision lorsqu'il y a des changements dans les environnements d'acquisition. Cela est dû au fait que les ensembles de données multi-caméras existants pour la Re-ID sont limités en taille et en diversité, car ces données sont difficiles à obtenir. En même temps, d'énormes volumes d'enregistrements mono-caméra non étiquetés sont disponibles. Ces données peuvent être facilement collectées, ce qui les rend plus diversifiées. Actuellement, les données mono-caméra ne sont utilisées que pour l'auto-supervision préalable des méthodes de Re-ID. Cependant, la diversité des données mono-caméra est réduite par le réglage fin sur des données multi-caméra limitées après la pré-formation. Dans cet article, nous proposons ReMix, une méthode de Re-ID généralisée formée conjointement sur un mélange de données multi-caméra étiquetées limitées et de grandes quantités de données mono-caméra non étiquetées. Une formation efficace de notre méthode est réalisée grâce à une nouvelle stratégie d'échantillonnage des données et à de nouvelles fonctions de perte adaptées à l'utilisation conjointe avec les deux types de données. Les expériences montrent que ReMix possède une forte capacité de généralisation et surpassent les méthodes les plus avancées actuellement disponibles en termes de réidentification généralisable des personnes. À notre connaissance, c'est le premier travail qui explore la formation conjointe sur un mélange de données multi-caméra et mono-caméra dans le domaine de la réidentification des personnes (Re-ID).