英伟达-城市挑战赛跨摄像头追踪

挑战赛复现-SCIT-MCMT-Tracking

[CVPRW2023] “Leveraging Future Trajectory Prediction for Multi-Camera People Tracking”
NVIDIA城市应用挑战赛
原始地址：https://github.com/yuntaeJ/SCIT-MCMT-Tracking#cvprw2023-leveraging-future-trajectory-prediction-for-multi-camera-people-tracking

本地只做验证，由于数据集不够，故训练略：

第一步：克隆对应库

git clone https://github.com/yuntaeJ/SCIT-MCMT-Tracking.git

第二步：按照教程所示：

以原始的ervironment.yaml为根，用conda创建虚拟环境和对应的依赖

conda env create --file environment.yaml
conda activate scit

执行 sh setup.sh

sh setup.sh

这里有几个点需要注意：

1. setup.sh中使用到了

pip3 install 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

但是在国内网中发现这个文件访问失败，疑似是国内网的原因。因此，我们将它通过其它手段克隆下来

git clone https://github.com/cocodataset/cocoapi.git

随后cd 到cocoapi/PythonAPI中

pip install .

执行安装，这样就能成功安装

2. 安装mmcv-full

pip3 install mmcv-full==1.7.1

无法直接安装，会提示报错
应该按照这样的方式安装

pip install -U openmim 
mim install mmcv-full==1.7.0

这样就成功安装了

第三步：下载对应的权重文件

分别是pretrained-YOLOX-X.pth，yolov7-pose-estimation、pretrained-social-implicit.pth和 homography_list.pkl
如果需要用自己的数据训练的话：
则根据目标检测训练pretrained-YOLOX-X.pth
根据姿态估计训练yolov7-pose-estimation
根据Social-Implicit上提供的轨迹姿态训练进行训练

第四步：执行单摄像头跟踪

sh run_scmt.sh

执行后命令行：

原始文本下出现了track_vis文件夹，这是处理后的文件夹

里面存放标签文本和预测后的视频文件

第五步：执行多摄像机跟踪

sh run_mcmt.sh

将第一步得到的标签文件改成label.txt
这里需要下载 https://github.com/RizwanMunawar/yolov7-pose-estimation 并将其文件合并到项目主路径下
需要将权重文件复制到 tools文件夹下

执行后

最后得到了sorted_associated.txt

后续 得到的这个sorted_associated.txt
可以得到多个摄像机的关联目标写一个cv脚本，将这个数据关联起来，就可以得到切换的数据了