OTB公式評価コードpythonバージョン-独自のトラッカーを評価し、他のトラッカーと比較します
OTBデータセットは、ターゲット追跡の分野におけるベンチマーク評価データセットです。多くの論文がこれを使用して実験を行い、独自の実験結果を示しているため、数日かけて慎重に調査したところ、誰もがOTBツールキットプロセスには次のような問題があります。
- 私は自分のトラッカー(特に現在Pythonで書かれています)を持っていますが、このデータセットで結果を実行するにはどうすればよいですか?
- 自分の結果を他のトラッカーの結果と比較するにはどうすればよいですか?
最初はこの2つの問題に悩まされていましたが、少し投げた後、ようやく解決策を思いつきました。この記事を読んだ後は、上記の2つの問題も解決できます。!
コード環境の準備
移動し、公式ウェブサイトのホームページを見ることができます内のコードを評価するMATLABの環境、そして彼は、MATLABは、学んだと感じたものの、まだ多くは、彼が選んだので、検討してピックアップする必要がPythonのバージョンになりましたそれは公式のラインで、アセスメントのを出す、また権威がありますが、どの言語の結果がより良いか、これはさらなる実験を必要とします。
注:個人的には、matlabバージョンは遅かれ早かれ理解されると思います。LaSOTなどのより大きなデータセットでもmatlabの下にあるため、OTBベンチマークのmatlabバージョンを理解することは評価に非常に役立ちます。残りのデータセットの。さて、ナンセンスな話をしないで、乾物を手に入れましょう!
環境への設置
最初にコードをダウンロードします:https://github.com/jwlim/tracker_benchmark、41.6Mあります。問題が発生した場合は、ここにアクセスできます。コードにはいくつかのバグがあります。しばらくお待ちください。私はwin10でそれをテストしました、ubuntuは問題ないはずです!
README.mdでわかるように、インストールする必要のあるパッケージは次のとおりです。Matlab Engine for python、matplotlib、numpy、Python Imaging Library (PIL)
このコードはpython 2.7.10
下にあり、anacondaを使用してconda環境をインストールできます。ubuntuの
下のanacondaの上位バージョンではpython2.7.10が見つかりません。 、conda Search pythonを介して、最低値もpython2.7.13であることがわかり、証明も可能です。
conda create -n py27 python=2.7.10 matplotlib=2.2.2 numpy=1.14.3 pillow=5.1.0
# 这样就安装好了一个名字为'py27'的conda环境,激活一下:
conda activate py27
環境が作成されたら、変更が必要ないくつかのバグを確認します。
- でBUTIL / load_results.pyのライン63、あなたがする必要がある
attr = Attribute(**j)
変更attr = attr = Score(**j)
コードにはAttributeクラスが存在しないためにそれを。 - でBUTIL / eval_results.py 84行が全く見つからない
precisionList
:、それは55-56の間に行を挿入する必要があるprecisionList = []
ように、くぼみ及びライン55を
データセットの準備
このデータセットは、評価のニーズに合わせて特定の形式で配置されています。公式Webサイトでシーケンスを1つずつダウンロードするのは適切ではありません。準備には、次の3つの方法があります。
- 行への実行で42回run_trackers.py:
butil.setup_seqs(loadSeqs)
はこのURLに移動してダウンロードします:http://cvlab.hanyang.ac.kr/tracker_benchmark/seq_new/seqname.zip
。公式ウェブサイトのダウンロードアドレスはhttp://cvlab.hanyang.ac.kr/tracker_benchmark/seq/seqname.zip
です。ここでの新しいアドレスは、imgファイルとgroundtruth_rect.txtファイルだけでなく、一部のシーケンスディレクトリのinit_omit.txtファイルです。ネットワークが利用可能な場合は、この方法でダウンロードします。最もトラブルフリー。 - あなたはそれをダウンロードするために私に行くことができます。私は整理されたデータをパッケージ化しました:C通貨がそれをサポートすることを願っています、もちろんそれは任意です。ダウンロードリンクを取得するためにここに行くこともできます
- トラフィックを無駄にしたくない場合は、[公式Webサイトにパッケージ化されているシーケンスは次のとおりです。一般的なターゲット追跡データセットのダウンロードリンクが整理(更新)されています]前に、公式Webサイトでシーケンスを1つずつダウンロードしておく必要があります。次のように変更します(主にinit_omit.txt)およびいくつかの特別なシーケンス):
- コピーし
Jogging
、次のIMGをするJogging-1
合計Jogging-2
の下で、コード内のデータコピーgroundtruth_rect.1.txt
和jogging-1.txt
のJogging-1
隣、とにそれらの名前を変更groundtruth_rect.txt
し、それぞれinit_omit.txt
、同じようにgroundtruth_rect.2.txt
、jogging-2.txt
コピーとのJogging-2
隣、groundtruth_rect.txt
とにそれらの名前を変更合計それぞれinit_omit.txt
。 Skating2
下IMGコードデータにコピーSkating2-1
し、Skating2-2
下側、groundtruth_rect.1.txt
にコピーSkating2-1
次、リネームgroundtruth_rect.txt
、同様groundtruth_rect.2.txt
にコピーSkating2-2
次は、改名しますgroundtruth_rect.txt
。- コピーIMG
Human4
下記への一番下のコード内のデータを、その後にコピー底面とに名前を変更。Human4-2
groundtruth_rect.2.txt
Human4-2
groundtruth_rect.txt
- matlabバージョンのbenchmark_v1.0.zipにinitOmitフォルダーがあります[zip全体をダウンロードしたくない場合は、ここにアクセスしてinitOmitをダウンロードできます]。対応する27のシーケンスをのレコードとして使用することはできません。対応するシーケンスにコピーされ、すべての名前がに変更されている限り、初期化フレーム
init_omit.txt
これで、プリコードとデータセットの準備が整いました。
トラッカーを実行する
結果フォーマットの準備
私は、トラッカーが書かれている言語に関係なく、予測結果は、シーケンス内のオブジェクトの各フレームの座標であり、OTBでGTにBBoxはイエスの形態であることを信じてltwh
、私は与える例をここに私はありますブログ[ siamfc-pytorchコードの説明(3):Demo&track ]結果:
追跡結果ファイルのディレクトリ構造(SiamFCの下に100個のtxtとtimesフォルダーがあり、これは次のutils.pyといくつかの特別なシーケンスの名前に反映されていますHuman4、Jogging.1、Jogging.2、Skating2.1、Skating2.2):
├── SiamFC
│ ├── Basketball.txt
│ ├── ...
│ ├── Woman.txt
│ ├── times
│ │ ├── Basketball_time.txt
│ │ ├── ...
│ │ ├── Woman_time.txt
各シーケンスtxtファイルには、次の図に示すように、Basketball.txtなどのN×4座標が含まれています。
jsonファイルを生成して描画します
コードのルートディレクトリに二つの新しいPYファイルを作成します。save_to_json.py
そしてutil.py
、それぞれ、次のコードをコピー、txt_Results
独自のパスに置き換える必要があり:
save_to_json.pyを:
from scripts import *
from config import *
from util import compare_name, calcu_speed, load_seq_result
loadSeqs = 'tb100'
evalType = 'OPE'
tracker = 'SiamFC'
# replace your own path
txt_Results = 'C:\\Users\\Ezra\\Desktop\\SiamFC'
if SETUP_SEQ:
print 'Setup sequences ...'
"""
Doing in setup_seqs:
1. check integrity of data, if not, download all
2. write cfg.json and attrs.txt in each seq directory
"""
butil.setup_seqs(loadSeqs)
# 'otb50', 'otb100' transform to corresponding seqs name list
seqNames = butil.get_seq_names(loadSeqs)
# load from saved cfg.json and return list contain Class Sequence instances
seqs = butil.load_seq_configs(seqNames)
resNames = os.listdir(txt_Results)
resNames.remove('times')
resNames = [res_name[:-4] for res_name in resNames]
print "=========================================================="
isSameName = compare_name(resNames, seqNames)
if isSameName:
for s in seqs:
seqResults = []
res_type = 'rect'
# fps is optinal
fps = round(calcu_speed(txt_Results, s.name), 3)
boxes = load_seq_result(txt_Results, s.name)
res = boxes.tolist()
# for OPE
r = Result(tracker, s.name, s.startFrame, s.endFrame,
res_type, evalType, res, fps, None)
seqResults.append(r)
if SAVE_RESULT:
print "Now write to results/{0}/{1}/{2}.json".format(evalType, tracker, s.name)
# 'results/evalType/Tracker/seqName.json'
butil.save_seq_result(seqResults)
print "Have written all seqs!"
util.py:
import os
import numpy as np
DIFF_NAMES = ('Human4-2', 'Jogging-1', 'Jogging-2',
'Skating2-1', 'Skating2-2')
def _convert_name(oldname):
newname = None
if oldname == 'Human4-2':
newname = 'Human4'
elif oldname == 'Jogging-1':
newname = 'Jogging.1'
elif oldname == 'Jogging-2':
newname = 'Jogging.2'
elif oldname == 'Skating2-1':
newname = 'Skating2.1'
elif oldname == 'Skating2-2':
newname = 'Skating2.2'
return newname
def compare_name(resnames, seqnames):
flag = True
assert len(resnames) == len(seqnames),\
'The length between resnames and seqnames is not same!'
for seqName in seqnames:
if seqName in DIFF_NAMES:
seqName = _convert_name(seqName)
if seqName not in resnames:
print seqName + ' is not in resnames'
flag = False
break
return flag
def calcu_speed(timetxtdir, seq_name):
speed = 0.0
if seq_name in DIFF_NAMES:
seq_name = _convert_name(seq_name)
time_file = os.path.join(
timetxtdir, 'times/%s_time.txt' % seq_name)
if os.path.isfile(time_file):
times = np.loadtxt(time_file)
times = times[times > 0]
if len(times) > 0:
speed = np.mean(1. / times)
return speed
def load_seq_result(boxtxtdir, seq_name):
if seq_name in DIFF_NAMES:
seq_name = _convert_name(seq_name)
record_file = os.path.join(
boxtxtdir, '%s.txt' % seq_name)
boxes = np.loadtxt(record_file, delimiter=',')
return boxes
その後:
- それを実行する
save_to_json.py
にresults/OPE/
は、各シーケンスのjsonファイルであるSiamFCフォルダーがあります。 - 次に実行し
python run_trackers.py -t SiamFC -s tb100 -e OPE
、中間をするように求められますInput Test name :
入力してtb100
、tb50
、cvpr13
図面の最終用途は、ALLにおける結果であるため、一部という名前のフォルダとして、フォルダ生成scores_tb100、11およびファイル内SiamFCフォルダには、JSON ALL.jsonフォルダを属性。 json
実行後、次の結果が得られます。
Result of Sequences -- 'SiamFC'
'Basketball' aveCoverage : 38.878% aveErrCenter : 75.946
...
'Woman' aveCoverage : 50.644% aveErrCenter : 4.957
Result of attributes -- 'SiamFC'
'ALL' overlap : 64.6% failures : 3.4
'BC' overlap : 63.3% failures : 4.9
'DEF' overlap : 59.8% failures : 4.2
'FM' overlap : 63.8% failures : 3.7
'IPR' overlap : 61.8% failures : 3.9
'IV' overlap : 61.6% failures : 4.3
'LR' overlap : 64.7% failures : 4.3
'MB' overlap : 67.2% failures : 3.3
'OCC' overlap : 63.3% failures : 4.0
'OPR' overlap : 62.6% failures : 3.8
'OV' overlap : 61.3% failures : 5.0
'SV' overlap : 63.8% failures : 3.6
- 次に、それを実行
python draw_graph.py
して成功プロットを取得します。デフォルトでは、上位10個のみが描画され、残りは灰色の点線で描画されます。精度プロットについても同じことが言えます。独自のトラッカーの結果がこれを追加して、他のトラッカーと比較します。ここでのスコアは100倍になっていることに注意してください[ここでのトレーニング結果は比較的貧弱です。参考のために、GOT-10kのExperimentOTBの0.529と大差ありません]。
- 次に、それを実行
python draw_graph.py precision
すると、Precision Plotを取得でき
ます。これで完了です。欠陥がある場合は批判して連絡してください。役に立ったと感じたら、親指を立ててください。これにより、モチベーションとブログが向上します〜
2020/05/09更新:
util.pyの59行目のdtype = intを削除します。2020/ 05/20更新:2つの言語の公式評価結果に矛盾がないか試してみたいです。matlabの結果私のブログ[ siamfc-pytorchコードの説明(3):demo&track ]からのものです。.matファイルを.txtファイルに変換し、これで再試行しましたが、Pythonの結果がそうではないとは思えません。 matlabと同じくらい良い:成功:0.582-> 0.5788;精度:0.771-> 0.76。次の図はその証拠です:
ポイントが削除される理由がわかりません。それほど大きな違いはないはずです。txtへのマット変換の精度が失われないことを保証します。これは、Pythonでの計算の詳細が原因です。とmatlabは同じではありませんか?または、2つの計算保持精度が異なりますか?
2020/05/24アップデートを試した人にも注意してください:マットにtxtのコードを提供してください。具体的な使用法については私のブログを参照してください:[ siamfc-pytorchコードの説明(3):デモとトラック]:
clear all;clc;
root = 'D:...\your_txt_path\';
dst = 'D:...\your_mat_save_path\';
if ~exist(dst, 'dir')
mkdir(dst);
end
% 下面这几句是为了获取一个目录下的txt文件名列表
fileFolder = fullfile(root);
dirOutput = dir(fullfile(fileFolder, '*.txt'));
fileNames={dirOutput.name}; % 1*100 cell
numFile = length(fileNames);
for idxFile = 1:numFile
path = [root fileNames{idxFile}];
res = load(path);
[seq_l, xywh] = size(res);
results{1}.res = res;
results{1}.type = 'rect';
results{1}.len = seq_l;
seq_name = fileNames{idxFile}(1:end-4);
sprintf(['now trans ' seq_name ' from txt to mat'])
% 将需要的结构体结果写成mat格式
save([dst seq_name '_SiamfcppCiresnet22Atten.mat'], 'results');
end
2020/07/06更新:マットのコードをtxtに入れて、必要に応じて使用できます:
root = 'C:\Users\Ezra\Desktop\results_SiamFC-3s_OTB-100\';
dst = 'C:\Users\Ezra\Desktop\SiamFC-3s_OTB-100-txt\';
if ~exist(dst, 'dir')
mkdir(dst);
end
fileFolder = fullfile(root);
dirOutput = dir(fullfile(fileFolder, '*.mat'));
fileNames={
dirOutput.name}; % 1*100 cell
numFile = length(fileNames);
for idxFile = 1:numFile
path = [root fileNames{
idxFile}];
matfile = load(path);
OPE_matfile = matfile.results{
1};
bbox = OPE_matfile.res;
seq_name = fileNames{
idxFile}(1:end-13);
sprintf(['now trans ' seq_name ' from mat to txt'])
dlmwrite([dst seq_name '.txt'],bbox,'precision','%.4f');
end
ボーナス
具体的な評価方法は、この論文で紹介されています。