![](https://img-blog.csdnimg.cn/2f2380b1e9ff496aa9fa31305556111a.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
目标跟踪干货分享
文章平均质量分 76
内容不好,千万别买。仅个人记笔记。
优惠券已抵扣
余额抵扣
还需支付
¥299.90
¥399.90
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
@会飞的毛毛虫
计算机专业博士在读,曾在课题组负责过硬件、软件、算法及落地部署的开发工作,发表了几篇水文。主要方向是做跟踪、跨域的虚拟生成,致力于成为一名Full Stack developer。有相关问题可以私信我为大家解答,看到不妨点个关注,我们一起进步哦!
展开
-
MMCV - browse_dataset.py 可视化检测和跟踪任务config文件数据预处理部分神器
无论是mmdetection、mmtracking、mmdetection3D等框架,在\tools\analysis_tools中均有一个名为browse_dataset.py的文件。该文件能够帮助用户直接可视化 config 文件中的数据处理部分,查看标注文件是否正确,同时可以选择保存可视化图片到指定文件夹内。原创 2023-01-31 22:34:27 · 957 阅读 · 6 评论 -
MMCV - dataset_analysis.py 可视化检测和跟踪任务自定义数据集神器
做视觉检测跟踪任务时,我们需要在论文插图中体现出我们数据集的信息,这个时候就有一个非常好用的神器:dataset_analysis.py的文件。该文件能够帮助用户直接可视化custom数据集的bbox实例信息,如上图所示,包括:显示类别和 bbox 实例个数的分布图;显示类别和 bbox 实例宽/高比例的分布图;显示类别和 bbox 实例个数的分布图;显示类别和 bbox 实例面积的分布图。该文件的位置为:C:\Users\dingjiangang\Desktop\mmd_all\mmyolo\mmyolo原创 2023-02-01 14:07:05 · 583 阅读 · 0 评论 -
目标跟踪心得篇七:解决目标跟踪评价指标输出为0或异常(Trackeval、MMtracking)
如果在做跟踪任务测评时,发现输出的评价指标全为0或者异常值时该怎么办(如下图)?博主调试了很久发现其实这是MMtracking的一个Bug,因此如果不是用MMtracking框架的话本节可能对你帮助不大。大致有以下两个内容:TrackEval目前还不能做到对多类别的MOT任务计算评价指标,因此如果为异常值而非0值,则考虑是标注是多类别引起的。对于这种情况,有以下两种解决方式:办法一:修改mot2coco.py脚本,我们将所有的标注类别全都弄成1类去计算评价指标,当然这样有违背初衷,不过很多场景下这样也原创 2023-01-31 18:15:51 · 1007 阅读 · 4 评论 -
目标跟踪心得篇六:如何转换DarkLabel的标注并在MMTracking上输出跟踪评测(Win, Linux均适用)
接着,我们需要明白我们需要什么格式的数据来作为测评的验证?答案是mmtracking已经给了示例:在mmtracking-1.0.0rc1\tests\data\demo_mot_data\ann.json,也就是说我们需要将Darklabel的标注的txt格式转化为json文件,当然这个json不是标准的coco格式,只是类coco,比如ann.json文件中就包含有video关键字。原创 2023-01-30 15:14:58 · 992 阅读 · 3 评论 -
Deformable DETR TBD范式的不二选择
但DETR也有几个缺点:DETR是端到端的开山之作,对参数比较敏感,因此对于自定义数据集来说性能不够突出,甚至不如yolov7,yolov5。只用了backbone的最后一层,没有FPN,小目标检测效果不好。输入图像的shape不能特别大,原始网络资源开销大。(10×10大小的image展开为序列是100维,100×100大小的image展开为序列是10000维,因此输入的越大,其资源开销是平方倍的。此外,序列需要对每一个维度都做self-attention,因此又得给10000再平方,消耗是非常大原创 2023-01-29 15:13:19 · 514 阅读 · 0 评论 -
目标跟踪心得篇五:MOT数据集标注、DarkLabel不能自动跟踪解决方案
跟踪方向的标注成本非常很大的 ,那么我们如何尽可能一次性弄好呢?所选标注工具:DarkLabelDarkLabel是一个轻量的视频标注软件,尤其做MOT任务非常友好,其标注可以通过脚本转化为标准的目标检测数据集格式、ReID数据集格式和MOT数据集格式。使用之前:darklabel.yml:保存路径,配置自己的数据格式、数据集类别名称。比较重要的基操:鼠标左键:创建一个框。鼠标右键:删除最近创建的框。shift + 鼠标左键:既可以拖动框,同时也可以改变框的大小。shift + 鼠标右原创 2023-01-25 09:32:28 · 3307 阅读 · 9 评论 -
目标跟踪心得篇四:多目标跟踪的测评(性能指标)详解
MOT的性能指标分为两种,一种是目标检测任务的测评结果。一种是跟踪任务的测评结果。前者在任何目标检测框架下在训练过程中都可以得到。后者则需要用test.py输出,而非目标检测任务的train.py。此外,验证集是一定要有标注的哦。对于MMTracking而言,是不能直接使用MOT17或MOT20(和MOT17大差小不差)格式的标注文件的,需要用mmtracking-1.0.0rc1\tools\dataset_converters\mot\mot2coco.py转一下。因此,最开始标注成标准的MOT格式是方原创 2023-01-16 17:34:07 · 1440 阅读 · 0 评论 -
目标跟踪心得篇三:结合MMTracking代码逐行分析卡尔曼滤波及二分图原理
虽然卡尔曼(KF算法)和二分图(KM算法)在目标跟踪任务中完全可以当黑盒用。但是在发论文时(比如小目标跟踪需要在卡尔曼滤波中做平滑)则需要对原始代码进行必要的修改。首先,为什么我们要用卡尔曼滤波器?如果直接用detector的结果进行跟踪行不行?假设我的detector检测到了前一帧的结果,也检测到了当前帧的结果,直接拿它们俩做匹配实现跟踪不可以吗?我们举这样一个例子:假设我们用高德地图进行导航,在有GPS信号时定位是很精准的,但在隧道中GPS信号弱,有很多噪声的时候,定位就不精准了,但我们又希望定位准确,原创 2023-01-12 19:30:43 · 603 阅读 · 0 评论 -
目标跟踪心得篇二:ByteTrack原理及其在MMTracking上的代码逐行分析(本文顺带分析MMTracking相关难点,后期不在赘述)
要学习ByteTrack,首先得了解其名字是怎么来的:这个工作是一个学生在字节实习的时候提出来的算法,因此就以Byte这个单词来命名,可能从名字上没有太直观的含义来体现出这个算法在干嘛。ByteTrack是基于TBD范式提出来的跟踪算法,作者的work就是提出来了一种数据关联方法(name叫BYTE),它和主流的SORT类算法的区别在于:ByteTrack不会简单的去掉低分结果(detection得到的score),而是从低分框里挖掘一些有用的信息,这样就可以捞回一些之前被丢弃的结果,因此在小目标和遮挡原创 2023-01-10 10:11:39 · 2154 阅读 · 0 评论 -
目标跟踪心得篇一:MOT综述(跟踪方向如果独自闷头拉车进度真的会很慢)
此外,对于小目标(比如远景)、相似度较高和大小不均匀的目标,ReID不见得有多么的好。因为ReID是在特征上算相似性,比如说目标较小,其在检测框中可能只占很小的比例,做完卷积后响应区域可能只有一点点,因此对于不同目标来说区分难度是非常大的。因此ReID对于这类tracking的效果整体上呈现减益效果而非增益效果。换句话来说,可能没有ReID效果可能更好,即单纯的SORT或者最新的ByteTrack效果会更好。博主给出大牛的指点:微弱目标的跟踪更倾向于利用空间位置信息而非表征(特征)信息。再举一个例子:比如要原创 2023-01-09 15:47:00 · 898 阅读 · 0 评论 -
MMtracking训练自己的ReID分类器和检测器
对于像 DeepSORT、Tracktor 这样的 MOT 算法,算法本身由目标检测器和ReID分类器两部分构成,因此如果需要做自定义数据集的跟踪,就得先训练一个目标检测器和一个ReID分类器,之后再测试 MOT 整体模型。原创 2023-01-04 14:27:28 · 1026 阅读 · 2 评论 -
MMTracking-1.0.0rc1多目标跟踪算法之多目标轨迹可视化
关于多目标轨迹可视化的代码在新版本MMTracking上不太适用,一些API和数据结构都不太一样,因此代码改动比较多。下面是博主自己的可视化效果。不过由于没有训练ReID的分类器,原创 2022-12-30 09:14:40 · 950 阅读 · 2 评论 -
MMTracking-1.0.0rc1单目标跟踪算法之单目标或将多目标按单目标预测的轨迹可视化
有关MMTracking轨迹可视化的相关代码,但其代码在被MMengine统一后的MMTracking-1.0.0rc1以上版本不太适用,故作此文。原创 2022-12-28 18:34:23 · 906 阅读 · 0 评论 -
训练yolo系列+deepsort模式的跟踪器(一):训练deepsort
训练yolo系列+deepsort模式的跟踪器(一):训练deepsort。原创 2022-12-22 20:46:56 · 2752 阅读 · 0 评论 -
基于MMEngine和MMDet搭建目标跟踪框架MMTracking-1.0.0rc1-Win10
缘由:1.目标跟踪是工业检测和学术研究的基础课题,其pipeline通常分为视频目标检测、视频实力分割、单目标跟踪、多目标跟踪和Re-ID五类,同时,还细分为在线检测和离线检测两种任务模式。由于现阶段关于目标跟踪的教程较少,为了便于快速上手上述work,特出此专栏教程。2. MMEngine使得炼丹师能够更加方便的搭建模型和可视化训练过程,当然也包括环境配置。近期的框架都依据MMEngine所组建。由于环境配置(由其在windows上)过程中会遇到各种各样的坑,因此本文就带大家快速上手MMTrack原创 2022-12-18 15:16:04 · 1146 阅读 · 5 评论