ByteTrack环境配置、训练与测试评估

初衷是供自己记录使用

环境：

Windows：

复现经典目标跟踪算法ByteTrack之路：调通第一个demo_bytetrack复现-CSDN博客

由于之前一直都是在windows上跑模型，所以先是依据上述链接配了windows上的环境，注意在使用上述方法配置环境时，在安装cython_bbox时候，不需要更改setup.py文件，因为内部其实已经改好了。记得首先需要安装pytorch三件套，再使用requiremets.txt安装剩余包，避免直接使用requiremets.txt导致安装cpu版本pytorch，在使用pytorch安装命令时，可以去官网找命令进行安装，我使用的如下命令，在手机热点情况下大概3-4M/s。

pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118

在配置安装pycocotools和cython_bbox时候，需要有C++的编译器，可以下载VS，进行环境变量cl.exe的配置，可以参考该文章在Windows命令行中使用cl.exe——如何设置环境变量_为什么设置了cl.exe的环境变量,-CSDN博客

但是在3090上配环境时，却出现pycocotools和cython_bbox不兼容的情况，配置其中一个，另一个就会自动被卸载，配好了这一个，另一个又会被卸载，到如今也不知道怎么回事，最后使用之前在其他低于3090显卡上成功配置好的环境拷贝过去进行重新安装pytorch解决的，当然也不需要重新安装，我是因为之前版本pytorch等级太低，3090的cuda不兼容，需要升高pytorch等级。

Linux：

后来在服务器上配环境，由于是linux系统，所以需要重新配环境，好像不能通过直接拷贝虚拟环境？试过一次发现不太行，有机会再试试。

和windows类似，先配pytorch三件套

pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118

再配requiremets.txt

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

但是在这儿出现了意外，requiremets.txt中默认的“onnx==1.8.1”安装出错

  note: This error originates from a subprocess, and is likely not a problem with pip.
  ERROR: Failed building wheel for onnx
Failed to build onnx
ERROR: Could not build wheels for onnx, which is required to install pyproject.toml-based projects

该情况需要降低python版本至3.9以下，我降到3.8就行了，因为python版本与onnx==1.8.1不兼容，除非升级onnx，但为了保证包等级的一致性，选择降低python，然后按照requiremets.txt安装。

接着安装github上面步骤进行

python3 setup.py develop # 安装yolox

pip3 install cython # 安装cython

由于服务器不能连接外网，故该命令

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

运行不了，使用如下命令

conda install -c conda-forge pycocotools # 安装pycocotools

接着运行

pip install cython_bbox # 安装cython_bbox

在我第一次运行该命令时也会报错，升级了cython的版本就好了，但是第二次配没升级cython又没报错，不懂为啥

训练：

官方数据训练：

直接按照README.md进行数据集的转换和合成以及训练

自定义数据训练：

参考yolox+ByteTrack 自定义数据集训练_bytetrack训练自己的数据集-CSDN博客链接进行修改相应文件，注意your_exp_file文件的网络的宽高和相应权重的smlx等级是对应的，注意匹配，不然可能会报错，图像尺寸大小和权重等级影响batchsize，注意避免，不要爆显存；注意一定要将annotation的转换文件中的图片尺寸参数加在里面，在convert文件中不要删掉，不然会导致AP为0。

测试评估：

我遇到的一些问题：

your_exp_file文件：注意修改self.val_ann，该annotation文件在训练时候充当验证集，在评估时充当测试集，故如有必要需要进行更改；要保证所选用的baseline所使用的数据集与测试时选用的数据集一样才能评估，不然输出会出bug。

track文件：

1、

注意修改如图所示位置的gt文件路径，修改为所参考的baseline，比如真值文件。*表示通配符，筛选出符号该路径的所有文件；

2、

根据实际路径，修改代码，Path(f).parts[-3]意为该路径的倒数第三个子文件夹名字，我们需要得到具有标志的文件名，比如序号01， 02等，在我的路径中，为xx/xx/xx/01.txt、xx/xx/xx/02.txt……，故我需要取出最后一个文件名，然后使用splitext将文件名和txt分开，再使用[0]得到文件名，与跟踪的输出文件名对齐，因为官方代码就是拿到这个标志性的文件名。此外，还需要根据自己的输出txt文件更改min_confidence参数。

另外，后续还需要将gt和ts文件进行评估，还需要将gt格式转化为与ts相似的格式，这需要修改txt文件。这一步需要放在第一点注意之前。