目标检测和跟踪:Darknet YOLO model to a Keras model等问题

借助北邮的一个研究生—起点开源的deep_sort_yolov3项目，最近想学习一下跟踪 ：

---

（1）检测器是Keras，对预训练的yolov3没有进行特定数据集的训练而是直接的进行了if条件判断，不知道这样的检测器对系统速度会不会有影响？
（2）首先涉及到不同框架的模型转换，见下；
（3）有人根据起点的接口，直接使用了darknet的python接口，鉴于以前做人车检测的时候用过，所以想进行一下移植；
（4）issue
“demo.py的line58开始“boxs = yolo.detect_image(image)”，Qidian213写的代码很清楚，在这里替换成你的检测器就行了，注意作者的boxs是x，y，w，h形式的，darknet的输出是xc，yc，w，h（像faster rcnn和FPN，ssd一般都是xmin,ymin,xmax,ymax），你需要匹配成xywh的输出再给到tracker里”
“其他版本的yolov3，别的检测器也行，只要bbox格式转换好给tracker就行了”
“yolo.py的100行if predicted_class != ‘person’ : 除了判别人再加上car， bus，truck的判别就行了，当然了不同的类别最好存到对应的box里，方便后面处理”
（5）特征提取器：mars-small128.pb 跟踪的前提是有一个好的检测器，deep sort除了特征匹配还有卡尔曼滤波，如果cos阈值调高，相当于只有卡尔曼滤波。（自己训练一个特征检测器pb文件）

---

根据 convert.py整理代码，实现将darknet格式的yolov3的yolov3.cfg和yolov3.weights转换成keras（tensorflow）的h5格式：
借助机器环境：
（1）python3
（2）keras
（3）tensorflow

---

模型转换
1、下载slh_darknet_to_keras.py文件
链接：https://pan.baidu.com/s/1nZUmNbSd54zp9pK6YDkZ8A 提取码：g8ex
2、切换到对应目录下：

python slh_darknet_to_keras.py -cfg_path yolov3.cfg -weights_path yolov3.weights -output_path yolov3c_d2k.h5

3、同理，将tensorflow的kearsh5格式转换成darknet格式的yolov3.weights

链接：https://pan.baidu.com/s/1ZJp2O-9twIU0LLINFttLKA 提取码：sz0j

 python slh_keras_to_darknet.py -cfg_path yolov3.cfg -h5_path yolov3c_d2k.h5 -output_path yolov3c_d2k_k2d.weights

来回转换文件占用空间不变

---

DeepSort论文学习
论文题目：SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC

https://blog.csdn.net/cdknight_happy/article/details/79731981

---

mars-small128.pb文件，这个是表观特征，跟踪时做特征匹配用的
https://github.com/nwojke/deep_sort

---