YOLOv3 车辆，行人，自行车检测

参考地址
https://github.com/ghimiredhikura/Complex-YOLOv3
（另有基于YOLOv4的https://github.com/maudzung/Complex-YOLOv4-Pytorch）

Requirements

numpy
torch=1.1
torchvision
tensorflow
terminaltables
tqdm
opencv-python
shapely

实测torch 1.2.0+cu92及tensorflow 2.3.0可运行

安装及测试

按照项目说明安装并运行test_both_side_detection.py即可进行测试，预研过程中并未发生异常

测试数据集替换

模型须要指定data/KITTI/object中的一个文件夹作为–folder的参数给出测试数据集，
并给出data/KITTI/ImageSets中的一个文件作为–split的参数给出具体测试样本的编号，
可参考data/KITTI/object/sampledata及data/KITTI/object/sample.txt

由于Complex-YOLO进行的是detection，其自带的sample也是KITTI的detection dataset，呈现结果时缺乏连续直观性
可考虑在KITTI的tracking dataset上进行测试：

1. 下载http://www.cvlibs.net/datasets/kitti/eval_tracking.php的calib、velodyne、image_2
2. 提取特定sequence作为测试数据，例如0019：
   2.1 提取data_tracking_velodyne.zip的training/velodyne/0019为tracking/velodyne
   2.2 提取data_tracking_image_2.zip的training/image_02/0019为tracking/image_2（不是02）
   2.3 提取data_tracking_calib.zip的training/calib/0019.txt，将其中R_rect、Tr_velo_cam、Tr_imu_velo分别改成
   R0_rect、Tr_velo_to_cam、Tr_imu_to_velo
   2.4 修改并执行如下所示的代码：

import os
from shutil import copyfile

src = "/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/0019.txt"  #0019.txt的位置
dst = "/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/calib/"      #先创建的tracking/calib文件夹

#在tracking/calib中为sequence0019的每一帧创建calib文件，从000000开始编号
for i in range(1059): #1059为sequence0019的帧数
    name = '%06d'%i+'.txt'
    copyfile(src,dst+name)

#生成放在ImageSets中的测试样本编号，这里为整个sequence0019
with open('/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/track.txt','w') as f:
    for i in range(1059):
        f.writelines('%06d'%i+'\n')

       2.5  按照sampledata、sample.txt的方式，将tracking放到data/KITTI/object，track.txt放到ImageSets即可

效果评价

能同时识别car、pedestrian、cyclist，准确率和召回率都非常好，没有明显误判和漏判；
能够很好地捕捉目标的朝向；
因为逐帧detection效果很好，有做成tracking的潜质；
由于测试代码包含可视化部分，且GPU并未完全利用起来，测试过程中FPS较低(~3)，尚不清楚模型本身的推断速度；