目标跟踪之ROAM:Recurrently Optimizing Tracking Model代码训练

最新推荐文章于 2024-01-23 09:00:00 发布

原创最新推荐文章于 2024-01-23 09:00:00 发布 · 468 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #python

目标跟踪专栏收录该内容

15 篇文章

订阅专栏

本文档详细介绍了如何配置和运行ROAM(Recurrently Optimizing Tracking Model)——一种深度学习目标跟踪方法。首先，创建Python 3.6的虚拟环境并安装PyTorch 1.4及其依赖库。接着，提供了ILSVRC、VOT和OTB数据集的下载链接，以及VGG-16预训练模型的地址。在配置好数据集路径后，运行`make_vid_info.py`生成训练所需信息文件。最后，使用`experiment.py`进行模型训练，若资源有限，可以调整批大小。此外，通过修改`config.py`，可以在OTB数据集上测试模型效果。

部署运行你感兴趣的模型镜像

论文地址：https://arxiv.org/abs/1907.12006
python代码地址：https://github.com/skyoung/ROAM
作者主页：https://tianyu-yang.com/
ROAM:Recurrently Optimizing Tracking Model是CVPR2020一篇深度学习用于目标跟踪的论文，本文针对其python代码运行进行配置，由于作者没有给出原始的模型，要将其用于评测其他数据集需要自己利用ILSVRC数据集进行训练

一、环境配置

创建虚拟环境python3.5版本以上

conda create -n ROAM python=3.6
source activate ROAM

安装pytorch1.4以上

conda install pytorch==1.4.0 torchvision==0.5.0 -c pytorch
或者本地安装：
下载地址：https://download.pytorch.org/whl/torch_stable.html
pip install torch-1.4.0-cp36-cp36m-linux_x86_64.whl
pip install torchvision-0.5.0-cp36-cp36m-linux_x86_64.whl

安装依赖的库

pip install opencv-python
pip install matplotlib
pip install scipy
pip install tensorboardX

二、模型训练

2.1 数据集及预训练模型下载地址

VOT数据集：https://www.votchallenge.net/challenges.html
OTB数据集：http://cvlab.hanyang.ac.kr/tracker_benchmark/datasets.html
ILSVRC数据集(ILSVRC——ImageNet Large-Scale Visual Recongnition Challenge)：http://bvisionweb1.cs.unc.edu/ilsvrc2015/ILSVRC2015_VID.tar.gz
VGG-16.mat下载：https://www.vlfeat.org/matconvnet/pretrained/

2.2 路径配置

修改config.py

feat_dir = './Pre-trained/' #预训练模型存放的位置

修改datasets.py

train_dir = os.path.join(root_dir, '/data3/publicData/Datasets/ILSVRC2015/Data/VID/train')
val_dir = os.path.join(root_dir, '/data3/publicData/Datasets/ILSVRC2015/Data/VID/val')

2.3 运行make_vid_info.py

运行python make_vid_info.py制作ILSVRC2015/Data/VID/train/train.json和ILSVRC2015/Data/VID/val/val.json文件，包含了训练集和测试集的一些基本信息，用于后续的训练。如下为train.json
在这里插入图片描述