Yolov8+Deepocsort, Strongsort, Ocsort, Bytetrack, Botsort Tracking – yolov8_tracking Wiederholung

Github-Adresse:
https://github.com/mikel-brostrom/yolov8_tracking

Gehen Sie zur Github-Website oben, um den Tracking-Code herunterzuladen. Dieser Code verwendet YOLOv8 als Erkennungsnetzwerk. Die YOLOv8-Datei muss jedoch über den unten stehenden Link heruntergeladen werden und dann die leere YOLOv8-Datei im Tracking-Code ersetzen.
https://github.com/ultralytics/ultralytics

1. Installation der Basisumgebung (X86, orin kann ausgeführt werden)

Siehe meine anderen beiden Artikel:
Installieren Sie die Cuda Pytorch GPU-Laufumgebung auf orin,
verwenden Sie Yolov8 zur Zielerkennung und trainieren Sie Ihren eigenen Datensatz
und basieren Sie dann darauf

# pip install -r requirements.txt
ultralytics==8.0.20

# Base ----------------------------------------
gitpython
ipython  # interactive notebook
matplotlib>=3.2.2
numpy==1.23.1
opencv-python>=4.1.1
Pillow>=7.1.2
psutil  # system resources
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
thop>=0.1.1  # FLOPs computation
torch>=1.7.0  # see https://pytorch.org/get-started/locally (recommended)
torchvision>=0.8.1
tqdm>=4.64.0
# protobuf<=3.20.1  # https://github.com/ultralytics/yolov5/issues/8012

# Logging ---------------------------------------------------------------------
tensorboard>=2.4.1
# clearml>=1.2.0
# comet

# Plotting --------------------------------------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# StrongSORT ------------------------------------------------------------------
easydict

# torchreid -------------------------------------------------------------------
gdown

# ByteTrack -------------------------------------------------------------------
lap

# OCSORT ----------------------------------------------------------------------
filterpy

Modell herunterladen

Von yolov8 benötigte Modelle

Ich habe dies von yolov8s heruntergeladen

Verfolgen Sie die erforderlichen Modelle

ReID-Modell

Nachdem Sie https://github.com/mikel-brostrom/yolov8_tracking/releases/download/v9.0/lmbn_n_cuhk03_d.pth heruntergeladen haben, benennen Sie es in lmbn_n_cuhk03_d.pt um und fügen Sie es in ./weights ein

Osnet-Modell

osnet_x1_0_imagenet.pth-Modell. Download-Adresse:
https://drive.google.com/uc?id=1LaG1EJpHrxdAxKnSCJ_i0u-nbxSAeiFY
Nach dem Herunterladen platzieren Sie es in
~/.cache/torch/checkpoints

2. Prognose

Führen Sie den Trace-Befehl aus

python track.py --source /home/xxx/AR0820_800W_H60_1.mp4 --tracking-method deepocsort --show-vid --yolo-weights ./yolov8/weights/yolov8s.pt 

Einzelheiten zu anderen Befehlen finden Sie unter Github

Darstellungen

Mögliche Fehler

1、ImportError: Der Name „attempt_download“ kann nicht aus „ultralytics.yolo.utils.downloads“ importiert werden.

ImportError: cannot import name 'attempt_download' from 'ultralytics.yolo.utils.downloads' (/home/xxxx/anaconda3/envs/pytorch_gpu/lib/python3.8/site-packages/ultralytics/yolo/utils/downloads.py)

Problem mit der Yolov8-Umgebungsversion

pip install ultralytics
pip install ultralytics==8.0.20

Problem gelöst

request.Exceptions.ConnectionError: HTTPSConnectionPool(host='drive.google.com', port=443): Max. Wiederholungsversuche mit URL überschritten: /uc?id=1LaG1EJpHrxdAxKnSCJ_i0u-nbxSAeiFY (Verursacht durch NewConnectionError('<urllib3.connection.HTTPSConnection-Objekt bei 0x7f359975b940>: Fehler beim Aufbau einer neuen Verbindung: [Errno 101] Netzwerk ist nicht erreichbar‘))

existieren

cached_file = os.path.join(model_dir, filename)
print("cached_file=",cached_file)
if not os.path.exists(cached_file):
    gdown.download(pretrained_urls[key], cached_file, quiet=False)

Beim Herunterladen der Datei Torch/Checkpoints/osnet_x1_0_imagenet.pth schlägt der Download fehl und es wird ein Fehler gemeldet.

Drucken Sie die Download-URL aus und suchen Sie einen Ort mit VPN zum Herunterladen von
https://drive.google.com/uc?id=1LaG1EJpHrxdAxKnSCJ_i0u-nbxSAeiFY