本周AI开源项目分享！多对象跟踪、电影推荐系统、神经网络...

文末彩蛋：七月在线干货组最新升级的《2021大厂最新AI面试题 [含答案和解析, 更新到前121题]》免费送！

项目一：FastMOT 基于 YOLO、深排序和光流的高性能多对象跟踪

项目地址：

https://github.com/GeekAlexis/FastMOT

FastMOT 是一个自定义多个对象跟踪器，可以实现：

• YOLO探测器
• SSD探测器
• 深度排序+OSNet REID
• KLT光流跟踪
• 相机运动补偿

深度学习模型通常是Deep SORT的瓶颈，这使得Deep SORT无法用于实时应用程序。此项目协议可以在Jetson上显着加快整个系统的实时运行速度。它也提供了足够的灵活性来调整速度精度的权衡，而无需轻量级的模型。

为了实现更快的处理，跟踪器每N帧仅运行一次检测器和特征提取器。然后使用光流填充间隙。在Deep SORT中交换了特征提取器，以获得更好的ReID模型OSNet。还添加了一项功能，可以重新识别移出框架的目标，以便跟踪器可以保留相同的ID。在CrowdHuman（82％mAP@0.5）上训练了YOLOv4，而SSD是TensorFlow的预训练的COCO模型。

检测器和特征提取器均使用TensorRT后端并执行异步推理。此外，使用Numba对大多数算法（包括卡尔曼滤波器，光流和数据关联）进行了优化和多线程处理。

性能：

使用py-motmetrics通过Jetson Xavier NX上的MOT17数据集评估性能。当使用来自MOT17的公开检测时，MOTA分数接近最新的跟踪器。跟踪速度最高可达到38 FPS，具体取决于对象的数量。在台式机CPU / GPU上，FPS应该更高。

这意味着即使跟踪器运行速度更快，它仍然非常准···确。更轻量级的探测器/功能提取器可能用于获得更多的速度。请注意，普通的深度排序+YOLO很难在大多数边缘设备和台式机上实时运行。

系统环境：

• CUDA >= 10
• cuDNN >= 7
• TensorRT >= 7
• OpenCV >= 3.3
• PyCuda
• Numpy >= 1.15
• Scipy >= 1.5
• TensorFlow < 2.0 (for SSD support)
• Numba == 0.48
• cython-bbox

此项目支持多类别跟踪，因此可以轻松扩展到自定义类别（例如，车辆）。需要在对象类上训练YOLO和ReID模型。检查Darknet以训练YOLO，并检查fast-reid以训练ReID。训练后，将模型转换为ONNX格式，并将其放置在fastmot /模型下。要将YOLO转换为ONNX，tensorrt_demos是一个很好的参考。

项目二：Objectron 以对象为中心的视频剪辑的数据集