目标追踪篇---Yolov5_DeepSort_Pytorch复现

已于 2023-11-03 17:18:59 修改
阅读量8.7k 收藏 107
点赞数 7
文章标签： pytorch 深度学习 python
于 2021-12-16 14:50:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_46825740/article/details/121973155
版权
本文详细介绍了如何克隆并配置Yolov5与DeepSort Pytorch项目，解决CUDA问题，演示了如何修改yolov5/detect.py的权重和源文件，并展示了跟踪和检测过程。通过实例学习，读者可以快速上手这两个流行的深度学习工具。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

Yolov5_DeepSort_Pytorch 官网链接

Yolov5_DeepSort_Pytorch

克隆代码

  1. 在使用目标追踪的代码前
git clone --recurse-submodules https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch.git
  1. 确保满足所有要求：Python 3.8或更高版本，所有要求.txt依赖项，包括torch> = 1.7。要安装，请运行：
pip install -r requirements.txt

注：以下是本人的步骤（仅供参考）

  • （1）新建了一个conda的虚拟环境
conda create -n tracking python=3.8
  • （2）激活该环境
conda activate tracking
  • (3) 安装相应的环境依赖
pip install -r requirements.txt

小试牛刀

可提前下载
deep_sort_pytorch/deep_sort/deep/checkpoint/ckpt.t7
yolov5/weights/yolov5s.pt

下载链接 ：
链接: https://pan.baidu.com/s/12IKhpJOKAT7qgOlc3IxrOg 提取码: q7k6

运行以下命令：

python track.py --source yolov5/mp4/streetscope.mp4 --save-vid --save-vid --visualize --yolo_weights yolov5/weights/yolov5s.pt

发现报错，内容为
RuntimeError: CUDA error: no kernel image is available for execution on the device
终端测试

python
import torch
torch.cuda.is_available()

结果为 True

       以上只是检测CUDA是否安装正确并能被Pytorch检测到，并没有说明是否能正常使用，要想看Pytorch能不能调用cuda加速，还需要简单的测试一下：
所以继续验证

a = torch.Tensor([1,2])
a = a.cuda()
a

结果是报错
RuntimeError: CUDA error: no kernel image is available for execution on the device

于是我就参考pytorch官网重新下载torch 和torchvision

torch官网
根据 nvidia-smi 查询显卡的版本

在这里插入图片描述
在这里插入图片描述

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

安装完成后
继续测试

a = torch.Tensor([1,2])
a = a.cuda()
a

在这里插入图片描述
即成功安装好环境配置

运行代码

1. track.py

python track.py --source yolov5/mp4/streetscope.mp4 --save-vid --save-vid --visualize --yolo_weights yolov5/weights/yolov5s.pt

运行过程

在这里插入图片描述
结果保存在 inference/output 里面

视频效果图如下

在这里插入图片描述

2. yolov5/detect.py

在这里插入图片描述

要修改 --weights 和 --source 的内容

--weights yolov5n.pt 
          yolov5s.pt
          yolov5m.pt
          yolov5l.pt 
          yolov5x.pt 

--source data/images
         img.jpg  # image
         vid.mp4  # video
         path/  # directory
         path/*.jpg  # glob
         'https://youtu.be/Zgi9g1ksQHc'  # YouTube
         'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP

举例

在这里插入图片描述直接修改代码里面的参数，可直接右键运行，不用在终端运行

也可以用终端运行，命令行输入如下：

注： 是在主项目目录下运行
/app/yyq/slifeProject/object_tracking/Yolov5_DeepSort_Pytorch

python yolov5/detect.py --weights yolov5/weights/yolov5s.pt --source yolov5/data/images

运行过程如下

在这里插入图片描述
结果保存在 yolov5/runs/detect/exp 里面
在这里插入图片描述

YOLOv5_DeepSORT_Pytorch训练自己的多目标跟踪模型
weixin_50008473的博客
01-06 1万+
1 准备 环境配置：https://blog.csdn.net/weixin_50008473/article/details/115250986?spm=1001.2014.3001.5501 YOLOv5_DeepSORT_Pytorch代码地址： https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch DeepSORT论文：https://arxiv.org/pdf/1703.07402.pdf 2 训练目标检测模型 训练自己的目标检测模
【目标跟踪】Yolov5_DeepSort_Pytorch复现
聿默的博客
02-25 1万+
1.环境 ubuntu16.04 cuda10.1 cudnn7 python3.6 Cython matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow PyYAML>=5.3 scipy>=1.4.1 tensorboard>=2.2 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 seaborn>=0.11.0 easydict
YOLOv5+DeepSort实现目标检测加追踪
m0_57781387的博客
11-13 401
复现代码时遇到的问题
YOLOV5+deepsort实现记录车辆违规等
最新发布
2401_88712943的博客
04-25 427
det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round() # 缩放坐标到原始图像尺寸。:return: 更新后的边界框列表，格式为[(x1, y1, x2, y2, class_label, track_id),...]:param bboxes: 边界框列表，格式为[(x1, y1, x2, y2, class_id, track_id),...]
Yolov5_DeepSort_Pytorch:使用YOLO v5和深度排序的实时多人跟踪器
05-10
Yolov5 +使用PyTorch进行深度排序 介绍 该存储库包含PyTorch YOLOv5的简化版（ ）。 它过滤掉不是人的所有检测。 然后，将对人员的检测传递给跟踪人员的深度排序算法（ ）。 它仅跟踪人员这一事实背后的原因是，深度关联度量仅在人员数据集上进行训练。 描述 该实现基于两篇文章： 使用深度关联指标进行简单的在线和实时跟踪 YOLOv4：物体检测的最佳速度和准确性 要求 安装了所有requirements.txt依赖关系的Python 3.8或更高版本，包括torch> = 1.7。 要安装运行： pip install -U -r requirements.txt 所有依赖项都包含在关联的docker映像中。 Docker要求是： nvidia-docker Nvidia驱动程序版本> = 440.44 在运行跟踪器之前 递归克隆存储库： git clo
【目标跟踪】pytorch实现DeepSORT+YOLOV5 YOLOFastestv2 含代码
热门推荐
xian0710830114的专栏
10-31 2万+
dcmtracking（dreams create miracles），中文：大聪明跟踪工具包。该项目现在实现了基于pytorch的YOLOV5+DeepSORT和YOLOFastestv2+DeepSORT，将持续更新，欢迎关注。
deepsort论文复现（纯小白自己记录）
Java66666667的博客
02-24 1703
deepsort相较于sort增加了ReID类的特征提取和马氏距离计算相融合的技术，明显改善了IDswitch的次数。刚开始学习多目标跟踪的小白，继上次复现了sort之后，这次准备复现一下deepsort。代码地址：https://github.com/nwojke/deep_sort。代码直接解压缩即可。
deepsort_yolov3_pytorch的checkpoint文件
12-22
标题中的"deepsort_yolov3_pytorch的checkpoint文件"涉及到的是计算机视觉领域的目标检测与追踪技术。DeepSORT是一种高效、准确的多目标追踪算法，它结合了深度学习的目标检测模型YOLOv3（You Only Look Once ...
在AutoDL中复现yolov5-deepsort（自学习）
weixin_42875510的博客
08-08 399
yolov5-deepsort
Deepsort+yolov5目标追踪复现
weixin_54186806的博客
02-08 906
我按照github上的环境配置没有能运行成功，于是我尝试出在该环境下可以能运行成:python=3.8采用conda创建的虚拟环境，使用下面的命令创建虚拟环境然后激活虚拟环境，采用下面命令点击官网，找到torch1.10版本（只要cuda版本小于实际cuda版本就行，不要求）或者直接用下面的命令安装torch（注意：如果电脑使用了梯子等科学上网工具，导致上面的命令无法使用，一直报warning，是因为网络端口无法连接的问题，可以选择重启电脑，但是不要再开梯子就可以成功使用上面的命令了）
deep_sort_pytorch_deepsortpytorch_目标跟踪_多目标跟踪_
10-01
多目标跟踪算法(deep_sort算法)使用pytorch进行处理
deep_sort_pytorch:使用Deepsort和yolov3与pytorch进行MOT跟踪
04-28
使用PyTorch进行深度排序 更新（1-1-2020） 变化 修正错误 重构代码 通过在gpu上添加nms来进行准确检测 最新更新（07-22） 变化 错误修复（感谢@ JieChen91和@ yingsen1进行错误报告）。 使用批处理为每个帧提取特征，这会导致速度提速。 代码改进。 进一步的改进方向 在特定数据集而不是官方数据集上训练检测器。 在pedestrain数据集上重新训练REID模型以获得更好的性能。 将YOLOv3检测器替换为高级检测器。 欢迎对此存储库做出任何贡献！ 介绍 这是MOT跟踪算法深度排序的一种实现。 深度排序与排序基本相同，但深度CNN模型添加了CNN模型以提取受检测器限制的人体部位图像中的特征。 这个CNN模型确实是一个RE-ID模型， 使用的检测器是FasterRCNN，原始源代码是 。 但是，在原始代码中，CNN模型是使用tensorf
Yolov5_DeepSort_Pytorch-master.zip
07-12
YOLOV5-DeepSort开源代码
更新版yolov5_deepsort_pytorch实现目标检测和跟踪
白起
03-28 2万+
由于mikel-brostrom在github上发布的Yolov5_DeepSort_Pytorch更新，使整个代码封装性更好，进而允许采用多种REID特征识别模型，完善了deepsort在检测跟踪方面的性能。本博文记录如何使用此版本Yolov5_DeepSort_Pytorch的过程，同时给出ZQPei REID模型的修改方法，以适应mikel-brostrom更新版本。 使用Yolov5_DeepSort_Pytorch默认的osnet REID实现跟踪track.py 将三个github代码克隆到本地
Yolov5_DeepSort_Pytorch代码运行指南（dongdv95/yolov5）视频人群计数
专注“目标检测”领域技术分享
02-19 3623
注意：如果你使用的是国内的源来安装，国内这个源的python版本并不齐全。如果你指定说我就是要下载3.8.1这个小版本，那么你必须连接外网，否则这个版本是下载不下来的。因为它写的是 >=,这样安装的话会安装大于这个版本号的情况下，最新的版本的package。但是作者编写这个项目的时候，往往使用的是比较老的版本的包。因此推荐你安装，满足条件的情况下，最老的版本。）下载python。注意，作者的意思不是这个7个参数一起传进--source，而是说你传进去一个参数，这个参数有7种类型的东西都可以传进去。
YOLOv5_DeepSORT_Pytorch训练自己的多目标跟踪模型线 根据经验详细整理
weixin_42917324的博客
09-13 4216
研究生项目，跑通后简单记录一下踩坑经过，好记性不如烂笔头。
deep_sort项目复现——新手
Nie2014的博客
06-30 6479
下载资源 1、下载项目代码：https://github.com/nwojke/deep_sort 2、下载数据集：https://motchallenge.net/data/MOT16/ 3、预训练权重下载：网盘 提取码：icbp 数据集介绍
YOLOV5目标检测算法
03-24
<think>好的，我现在需要处理用户关于YOLOv5目标检测算法实现教程的查询。首先，我得确认用户的具体需求，他们可能想要从基础开始了解如何实现YOLOv5，包括环境配置、模型训练、推理部署等步骤。接下来，我需要回忆YOLOv5的关键点，确保提供的信息准确且符合最新实践。 首先，用户提到了引用[1]，里面涉及YOLOv5的不同模型变体。我应该在回答中解释这些变体的区别，比如n、s、m、l、x对应的模型大小和性能差异，帮助用户选择合适的模型。同时，需要确保提到的技术细节，如损失函数、数据增强方法，都是正确的，并正确引用来源。 然后，用户请求实现教程，所以步骤需要详细但不过于复杂。环境配置部分要列出必要的依赖，比如PyTorch、torchvision等，并提醒用户安装官方仓库的requirements.txt。数据准备部分要强调数据集格式，尤其是YOLO格式的要求，包括目录结构和标注文件的格式，可能用户需要转换自己的数据集，这里可能需要指导或提供转换脚本的建议。 模型训练部分，需要给出命令行示例，说明关键参数如--data、--cfg、--weights的作用。同时，要提到超参数调整和训练监控，比如使用TensorBoard，这样用户知道如何跟踪训练过程。 模型推理部分，提供加载模型并进行预测的代码示例，解释置信度阈值和IOU阈值的调整，以及如何可视化结果。部署方面，要介绍导出到不同格式的方法，比如ONNX，以及在不同平台上的部署工具，这有助于用户将模型应用到实际项目中。 在注意事项中，数据增强和预训练模型的重要性需要强调，可能用户数据量小的话，使用预训练模型可以提升效果。硬件要求方面，明确GPU的需求，如果用户只有CPU，可能需要提示训练速度的问题。 最后，生成的相关问题需要覆盖用户可能进一步感兴趣的方面，比如模型结构、评估指标、部署技巧和与其他版本的区别，这样可以帮助用户深入学习和解决问题。 需要检查所有技术术语的正确性，比如YOLOv5的损失函数组成，数据增强方法是否正确，确保代码示例没有错误，并且命令和路径正确。同时，引用标识要正确对应到用户提供的参考内容，避免混淆。整个回答结构要清晰，分步骤讲解，方便用户跟随操作。最后，语言要简洁明了，避免使用过于专业的术语，或者必要时进行解释，确保用户容易理解。</think>### YOLOv5目标检测算法实现教程 #### 一、YOLOv5核心特性 1. **多版本模型**：提供YOLOv5n（最小）、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x（最大）五个版本，模型复杂度与精度呈正相关[^1] 2. **自适应锚框计算**：通过`autoanchor`算法自动计算数据集最佳锚框参数 3. **复合数据增强**：集成Mosaic增强、MixUp、随机仿射变换等策略 $$ \text{损失函数} = w_{obj} \cdot L_{obj} + w_{cls} \cdot L_{cls} + w_{box} \cdot L_{box} $$ 其中$L_{box}$采用CIoU损失函数 #### 二、实现步骤 **1. 环境配置** ```bash git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt # 安装依赖 ``` **2. 数据准备** - 数据集结构示例： ``` datasets/ train/ images/ # 训练图片 labels/ # YOLO格式标注文件 val/ images/ labels/ ``` - 标注文件格式：`<class_id> <x_center> <y_center> <width> <height>`（归一化坐标） **3. 模型训练** ```bash python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 16 --epochs 100 ``` - 关键参数说明： - `--img-size`: 输入图像尺寸（默认640） - `--hyp`: 超参数配置文件路径 - `--device`: 指定GPU（如`0,1`） **4. 模型推理** ```python import torch model = torch.hub.load('ultralytics/yolov5', 'yolov5s') results = model('test.jpg') results.print() # 打印检测结果 results.show() # 显示检测效果 ``` **5. 模型导出** ```bash python export.py --weights yolov5s.pt --include onnx # 导出ONNX格式 ``` #### 三、注意事项 1. **数据增强策略**：建议开启Mosaic增强（训练初期）和关闭（最后10个epoch） 2. **预训练模型**：官方提供COCO预训练权重，可通过`--weights yolov5s.pt`加载 3. **硬件要求**：建议使用GPU加速训练（至少8GB显存） #### 四、性能优化建议 1. **量化压缩**：使用FP16精度训练可减少显存占用 2. **剪枝优化**：通过通道剪枝减少模型参数量 3. **TensorRT加速**：转换模型为TensorRT引擎提升推理速度
评论 39
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心惠天意

你的鼓励是我创作最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值