杀疯啦！yolov11+strongsort的目标跟踪实现

QTreeY123

于 2024-10-03 19:06:06 发布

阅读量637

点赞数 8

文章标签： YOLO 目标跟踪人工智能目标检测计算机视觉 yolo 机器学习

本文链接：https://blog.csdn.net/m0_56175815/article/details/142693858

版权

yolov11介绍——实时端到端物体检测

概述

YOLO11 是 Ultralytics YOLO 系列实时物体检测器的最新版本，重新定义了在尖端准确度、速度和效率方面的可能性。在前几代 YOLO 版本的显著进步基础上，YOLO11 在架构和训练方法上引入了重大改进，使其成为广泛计算机视觉任务的灵活选择。

主要特征

增强特征提取：YOLO11 使用了改进的主干和颈部架构，这增强了特征提取能力，以实现更精确的物体检测和复杂任务的执行。

优化以提高效率和速度：YOLO11 引入了精简的架构设计和优化的训练管道，提供更快的处理速度，并保持了准确性与性能之间的最佳平衡。

参数更少，精度更高：随着模型设计的改进，YOLO11m 在 COCO 数据集上的平均精度（mAP）更高，同时比 YOLOv8m 使用的参数减少了 22%，使其在保持高精度的同时计算效率更高。

适应跨环境：YOLO11 可以无缝部署在各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统，确保最大程度的灵活性。

支持的任务范围广泛：无论是对象检测、实例分割、图像分类、姿态估计，还是定向对象检测（OBB），YOLO11 都旨在应对多样化的计算机视觉挑战

支持的任务和模式

YOLO11 在 YOLOv8 引入的多功能模型系列基础上构建，提供了针对各种计算机视觉任务增强的支持：

这张表格提供了 YOLO11 模型变体的概览，展示了它们在特定任务中的适用性以及与推理、验证、训练和导出等操作模式的兼容性。这种灵活性使 YOLO11 适用于计算机视觉的广泛应用，从实时检测到复杂的分割任务。

性能指标

总结

Ultralytics YOLO11 相比于之前的版本，关键的改进有哪些？
        增强特征提取：YOLO11 使用了改进的主干和颈部架构，增强了特征提取能力，从而实现更精确的物体检测。
        优化效率与速度：精简的建筑设计和优化的训练管道在保持准确性和性能平衡的同时，提供更快的处理速度。
        参数更少，精度更高：YOLO11m 在 COCO 数据集上使用比 YOLOv8m 少 22% 的参数实现了更高的平均精度（mAP），使其在保持高精度的同时计算效率更高。
        适应不同环境：YOLO11 可以部署在各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统。
        支持的任务范围广泛：YOLO11 支持多种计算机视觉任务，包括对象检测、实例分割、图像分类、姿态估计和定向对象检测（OBB）。

strongsort介绍

三个要点
✔️ 改进了MOT任务中的早期深度模型DeepSORT，实现了SOTA!
✔️ 提出了两种计算成本较低的后处理方法AFLink和GSI，以进一步提高准确度!
✔️ AFLink和GSI提高了几个模型的准确性，不仅仅是所提出的方法!

性能指标图

首先，我附上了MOT17和MOT20的准确性比较，这表明了StrongSORT的优越性。现在，VGGNet，一个著名的特征提取器，最近作为RepVGG，一个更强大的版本回归。以类似的标题回归的是StrongSORT：让DeepSORT再次伟大，其中DeepSORT是一个早期的基于深度学习的物体追踪模型，而StrongSORT是对这个早期模型的改进，采用最新的技术实现SOTAStrongSORT是一个通过用最新技术在初始模型上进行改进而实现SOTA的模型。让我们先快速看一下这些改进。

DeepSORT
+BoT：改进的外观特征提取器
+EMA：带有惯性项的特征更新
+NSA：用于非线性运动的卡尔曼滤波器
+MC：包括运动信息的成本矩阵
+ECC：摄像机运动更正
+woC：不采用级联算法
=StrongSORT
+AF链接：仅使用运动信息的全局链接
=StrongSORT+
+GSI内插：通过高斯过程对检测误差进行内插
=StrongSORT++

与其说从根本上改变了结构，不如说是改进了跟踪所需的特征提取、运动信息和成本矩阵的处理。StrongSORT++将AFLink（离线处理）和GSI插值（后处理）应用于改进的StrongSORT，是一个更加精确的模型。我个人认为关键在于此，所以如果你能读到最后，我将很高兴。让我们快速了解一下StrongSORT。

系统定位

本节首先解释了这一方法的系统定位。想了解该方法细节的人可以跳过这一节。深度学习跟踪方法始于DeepSORT。后来，出现了FairMOT和ByteTrack等新方法，并超越了DeepSORT的准确性。在提出新的追踪方法的过程中，出现了两种追踪方法。DeepSORT属于SDE，其检测器是单独准备的。它属于SDE。然而，在本文中，DeepSORT的低准确性并不是因为方法不好，而只是因为它的年龄，其动机是，如果根据此后提出的最新元素技术进行改进，就可以使它变得足够准确。我们有动力去改进它。
改进DeepSORT的原因还有很多。首先，JDE方法的缺点是不容易训练：JDE同时训练检测和跟踪等不同任务的参数，所以模型容易发生冲突，从而限制了准确性。它还需要一个可以同时从检测到跟踪进行训练的数据集，这限制了训练的范围。相比之下，使用SDE，检测和跟踪模型可以被单独优化。最近，诸如ByteTrack这样的模型也被提出来，用于仅基于运动信息的高速跟踪，而没有任何外观信息，但这种模型指出了当目标的运动不简单时无法跟踪的问题。
因此，基于在基于DeepSORT的SDE方法中使用外观特征进行追踪是最佳的动机，提出了StrongSORT。