使用FairMOT训练好的模型自动下载预先训练模型

最新推荐文章于 2025-03-23 16:52:00 发布
最新推荐文章于 2025-03-23 16:52:00 发布
阅读量2.2k 收藏 21
点赞数 2
分类专栏： python 文章标签： 深度学习 人工智能 python
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/qq_42779673/article/details/113342695
版权
问题：今天想要使用FairMOT训练好的模型进行人的多目标跟踪。已经下载了fairmot_dla34.pth但是运行demo.py还是会自动下载dla34-ba72cf86.pth模型。

环境：

ubuntu，gtx 1050ti ， python3.6 ，CUDA10.0

具体问题：

在输入完执行命令之后，显示：
Createing model……
Downloading: “http://dl.yf.io/dla/models/imagenet/dla34-ba72cf86.pth”
如果下的很快的话可能这里我也就忍了，但是超级超级慢。如图所示：在这里插入图片描述
这里已经选择了模型，为什么还会下载模型呢？？？
然后在该路径下找到了这个链接的地址在这里插入图片描述

在这里插入图片描述
在这里执行了下载模型的代码。
在FairMOT的Github项目中看到有人文类似问题，但是没有找到好的解决办法。
然后通过该算法论文可知该算法的目标检测使用的是CenterNet网络，该网络中使用到DLA作为主干网络。CenterNet和FairMOT都是同一个大佬提出得，因此我到CenterNet项目的Issue中找到了官方回复：解答
这个是作者亲自回复的！！！！！
在这里插入图片描述
意思是直接注释掉这行代码即可。在这里插入图片描述
成功解决！！！

论文精读：FairMOT: On the Fairness of Detection and Re-Identification in MultipleObject Tracking
qq_52053775的博客
05-19 2203
1.提出背景 以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。 2. 核心思想 将MOT表示为单个网络中目标检测和reid的多任务学习，因为它允许两个任务的联合优化，并且具有较高的计算效率。然而，我们发现这两个任务倾向于相互竞争，这需要仔细处理。特别是，以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。为了解决这个问题，我们提出了一种基于无锚
使用 OpenCV 进行对象跟踪
Mr数据杨
11-27 1698
追踪器的选择需要综合考虑多个维度，包括性能准确性、跟踪速度、鲁棒性、特定场景的适用性、算法原理及其对软硬件的依赖性。例如Boosting追踪器虽然基本可用，但在复杂场景下的性能和速度均不理想。而MIL追踪器则在多数情况下表现良好，但对遮挡的处理能力有限。KCF追踪器在速度和准确性上取得了良好的平衡，成为许多场景下的优选。TLD追踪器在处理尺度和运动变化方面表现出色，但存在误报问题。针对特定的需求，如高速跟踪或精确跟踪，选择不同的追踪器显得尤为重要。
FairMOT简述
今天打卡Leetcode了吗
11-03 1729
引言   多目标跟踪目的是估计视频中感兴趣的轨迹，目前跟踪都是利用两个模型：检测模型首先通过每帧中的包围盒定位感兴趣的对象，然后关联模型提取每个包围盒的重新识别(re-ID)特征，并根据特征上定义的某些度量将其链接到其中一个已有的轨迹。然而，这些方法不能进行实时推理，特别是当存在大量对象时，因为两个模型不共享特征，并且它们需要对视频中的每个边界框应用Re-ID模型。随着多任务学习的成熟，利用单一网络进行目标估计和重识别的one-shot跟踪器受到了越来越多的关注，《Mots: Multi-object tr
all_dla34.pth
06-17
FairMOT的Baseline model(DLA-34)，all_dla34.pth 来源于https://github.com/ifzhang/FairMOT
官方CenterNet——目标检测代码复现
最新发布
小小老大MUTA的博客
03-23 913
官方CenterNet——目标检测代码复现，只是让代码跑起来，不包含其他参数修改
目标追踪00-01：FairMOT(实时追踪)-资源下载（前奏准备）
江南才尽江南山，年少无知年少狂！
08-25 1136
以下链接是个人关FairMOT(多目标实时追踪)所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信17575010159相互讨论技术。因为这是对我最大的鼓励。
FairMOT 使用指南
gitblog_00958的博客
09-12 559
FairMOT 使用指南 项目地址:https://gitcode.com/gh_mirrors/fai/FairMOT 1. 项目介绍 FairMOT 是一个基于 YOLOv5s 背骨的多目标跟踪简单基线，由 Yifu Zhang 等人在其论文《FairMOT: 在多对象跟踪中检测与重识别的公平性》中提出，并发表于 IJCV 2021。它在 CrowdHuman 数据集上采用弱监督学习方法进行预...
fairmot_dla34.pth
04-02
fairmot_dla34.pth
目标追踪00-02：FairMOT(实时追踪)-官方数据训练测试
江南才尽江南山，年少无知年少狂！
08-25 3621
以下链接是个人关FairMOT(多目标实时追踪)所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信17575010159相互讨论技术。因为这是对我最大的鼓励。注意，本人编写该博客的时间为2020/08/25，也就是说，你现在下载的作者代码或许和本人的代码不一样（如果作者有更新过）还有就是，本人调试该代码为ubuntu18.04系统即下面的报错使用ubuntu18.04报错的过程，以及解决办法。...
目标跟踪论文代码汇总
如果想成为中心，那么就到中心去吧。
07-21 1236
近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。
Multitarget-tracker-master.zip
04-02
- **预训练模型**: 可能已经预先训练好的目标检测模型，可以直接使用或进一步微调。 - **配置文件**: 存储参数设置，如模型超参数、数据预处理选项等。 - **脚本和工具**: 用于运行、测试和可视化结果的脚本。 - **...
CF2.8 .2.9封包 ，集合版
01-09
所有封包都有 。。要得来 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
CenterNet-104.zip
03-12
CenterNet-104.zip
揭秘NanoTrack：使用libtorch实现目标跟踪的全攻略
!... # 摘要 本文旨在探讨目标跟踪技术及其在libtorch框架下的实现。首先介绍了目标跟踪技术的基础知识，并概述了...接着，深入解析了libtorch的核心组件，包括张量运算、自动求导、模块定义以及API使用，强调了其在
CenterNet环境配置
weixin_50305032的博客
03-10 1677
配置属于自己的CenterNet网络 我的配置：python1.6+pytorch1.4.0+torchvision0.5.0+cudatoolkit10.1+cuda(cudnn)10.1+vs2017 我的配置正好可以适配CenterNet，其他的配置我不太清楚。接着我就开始介绍 1.Anaconda虚拟环境创建 为了配置专属于CenterNet网络的环境，我们使用Anaconda来实现虚拟环境的创建 conda create --name CenterNet python=3.6//创建python环
【实验记录】DeepSnake
学习 & 分享 ~
04-14 1484
官方文档：zju3dv/snake/blob/master/INSTALL.md配置环境前用 确保当前是 cuda9.0，否则在 这一步，如果 cuda 使用了其他版本，那么 这里会报版本错误。 【BUG记录-1】执行 时报错： 查看 代码，发现路径寻找的是 环境变量，于是查看环境变量：，发现 跟在了最后一个无效路径上。 简单粗暴的解决方法就是，，这样就能覆盖掉错误的路径。然后再次执行安装，最后输出如下，说明安装好了。 2. 数据准备 2.1 Cityscapes 1. 下载数据集：leftI
RTX4090上跑CenterNet训练
遗失的神庙
03-21 1323
参考实现 url=https://github.com/xingyizhou/CenterNet.git commit_id=5b1a490a52da57d3580e80b8bb4bbead9ef2af96
3D目标检测之GUPNet解析
u011489887的专栏
08-21 1203
GUPnet使用详解
DLA模型(分类模型+改进版分割模型) + 可变形卷积
热门推荐
BIT_Legend的博客
06-25 1万+
Deep Layer Aggregation (DLA) 是一种网络特征融合方法，发表于CVPR 2018。相比传统串联的卷积网络，其典型特点是实现了不同层级的深度融合，相比目标检测中的FPN和PAN结构，相比Desnet的密集连接，其连接方式更复杂更综合。论文中包含两个网络，一个是DLA的特征提取模型，可用作分类模型和检测模型的backbone，第二个网络是在DLA的基础上加入一个decoder模块，组成一个分割模型，相当于把DLA看做encoder。...........................
用mot 训练fairmot模型
01-15
### 使用MOT数据集训练FairMOT模型 #### 准备环境和依赖项 为了成功训练 FairMOT 模型，需安装必要的库并准备开发环境。通常情况下，推荐使用 Anaconda 创建虚拟环境来管理 Python 包。 ```bash git clone https://github.com/ifzhang/FairMOT.git cd FairMOT/src/lib/tracking_utils/ pip install -r requirements.txt ``` #### 数据预处理 对于 MOT2017 和 MOT2020 数据集[^1]，需要按照特定格式整理图像文件夹结构，并生成相应的标注文件。这一步骤确保输入符合 FairMOT 的预期标准。 ```python import os from glob import glob def prepare_data(data_dir, output_file): with open(output_file, 'w') as f: frames = sorted(glob(os.path.join(data_dir, '*/*.jpg'))) for frame_path in frames: seq_name = os.path.basename(os.path.dirname(frame_path)) img_id = int(os.path.splitext(os.path.basename(frame_path))[0]) line = f"{seq_name} {img_id}\n" f.write(line) prepare_data('path/to/MOT20/train', 'train_fairmot_format.txt') ``` #### 修改配置文件 编辑 `lib/opts.py` 中的相关参数设置以适应本地硬件条件以及所使用的具体版本的数据集。特别是调整路径指向正确的目录位置。 ```python class opts(): def __init__(self): self.dataset_root = '/path/to/MOT20' ... ``` #### 训练过程 启动训练之前确认 GPU 可用性和 CUDA 配置无误。通过命令行调用脚本执行训练流程，在此过程中会加载预定义好的网络架构——DLA-34 并在其上附加额外的卷积层用于特征提取[^2]。 ```bash python train.py mot --exp_id fairmot_dla34 \ --batch_size 16 \ --lr 1e-4 \ --num_epochs 30 \ --arch dla_34 \ --data_cfg '../src/lib/cfg.json' \ --gpus 0,1 ``` 上述指令指定了实验 ID (`fairmot_dla34`)、批量大小(`16`)、学习率(`1e-4`)等超参选项；同时也设定了要采用 DLA-34 架构作为基础骨干网，并指定多张显卡共同参与计算加速。 #### 测试评估 完成一轮或多轮迭代之后可以利用测试模式验证模型性能： ```bash python test.py mot --resume ../../models/fairmot_dla34.pth \ --dataset_root /path/to/MOT20/test \ --save_video True ``` 该命令读取保存下来的权重文件继续推理阶段的操作，同时开启视频录制功能记录下检测效果以便后续分析比较。
评论 6
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
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