YOLOV5+DeepSort实战

YOLOV5+DeepSort目标跟踪

在这里插入图片描述

以训练跟踪行人为例；

1 用yolov5训练自己的检测模型

主要采用YOLOV5代码对行人检测进行跟踪，权重文件数据集等文件会在文末给出。

2 训练跟踪网络

代码解压如下：
在这里插入图片描述
文件夹介绍：

deep_sort_pytorch:跟踪训练部分的代码
inference:后续跟踪检测时保存结果的文件夹
MOT16_eval:评估MOT16数据的脚本
video：保存的测试视频
weights:保存的YOLOv5 5.0版本的权重
yolov5:yolov5相关的部分代码

2.1训练跟踪网络的数据集准备

以Market-1501为例，该数据集包含了751个类别行人（即train和test文件夹下方各有751文件夹，下格式图仅写了’0002’为例子），按照下面方式存放数据集:(代码里会给出划分好的数据，想训练其他数据集按照下面格式存放图片就行)

--Market-1501
                --test
                        --0002（0002是文件夹名称，下面存放视频连续帧的图片）
                --train
                        --0002（0002是文件夹名称，下面存放视频连续帧的图片）

在这里插入图片描述

2.2利用数据集训练跟踪权重

在开始训练我们自己数据集的权重之前，我们打开pycharm左下角的命令终端，输入如下的命令pip install -r requirements.txt，就可以对相应环境安装了。

pip install -r requirements.txt

所需的环境安装好了之后，在根目录打开deep_sort_pytorch/ deep_sort/ deep/ train.py文件
在这里插入图片描述

1、只需要修改该train.py下第14行代码，存放数据集路径，要放绝对路径。（其他参数默认就行）如下图

绝对路径：在这里插入图片描述
可以直接copy绝对路径（注意/）

2、第199行，修改数字‘300’，改成自己训练的轮数。

在这里插入图片描述

3、然后直接运行train.py就可以训练了。训练结束后会在deep_sort_pytorch/ deep_sort/ deep/ checkpoint文件夹下生成一个跟踪权重ckpt.t7。（代码中附带了一个预训练跟踪权重）

在这里插入图片描述

3、利用训练的跟踪权重进行评估

打开根目录下track.py.
如图，分别修改268行，设置YOLO权重路径；269行，设置跟踪权重的路径；271行，设置输入视频的路径。检测结果保存在根目录inference/output下。
在这里插入图片描述

3.1对MOT-16代码进行评估

TrackEval代码（问文件里已经给出），代码整体结构如下图：（这个代码是独立的，运行的时候TrackEval-master为根目录即可）
在这里插入图片描述

   1、在data/gt/mot_challenge/下文件内容都是官方给出的数据，对视频中行人进行标定，可以理解为标准答案，不需要改动。
   2、在data/trackers/mot_challenge/MOT16-train/data/下存放你跑MOT-16训练集视频得到的跟踪TXT文本。（下面会说明如何生成TXT文本）

3.2 生成跟踪文本

在跑跟踪的track.py时，设置保存TXT文本即可，见下图画红框，最后添加：default=True

parser.add_argument('--save-txt', action='store_true', help='save MOT compliant results to *.txt',default=True)

在这里插入图片描述
比如我track.py跑的MOT16-13的视频，就会在目录的inference/output下生成一个MOT16-13.txt的文本，依次跑完7个训练视频（视频我会放在最后），可得到7个txt文件（需要自己跑代码生成），将得到的txt文件放在data/trackers/mot_challenge/MOT16-train/data/下即可，准备工作就完成了。