前言
一、目标跟踪
二、主要步骤
三、代码实现
前言
最近工作中的任务是实现目标跟踪，并绘制出轨迹。由于之前没有接触过这方面，故本博客记录如何借助开源资料从0开始实现目标跟踪，并应用在自己数据集上。
一、目标跟踪
目标跟踪是计算机视觉中的一项基础任务，它旨在在视频序列中连续跟踪和定位目标。目标跟踪算法需要能够处理各种挑战，如遮挡、目标外观变化、复杂背景等。
DeepSORT 是一种流行的目标跟踪算法，它是 SORT (Simple Online Realtime Tracking) 算法的扩展。DeepSORT 通过添加深度学习特征提取器来减少身份切换，从而提高了跟踪性能。它能够更准确地跟踪目标并减少身份切换，但计算成本也更高。
总之，DeepSORT 是一种用于实现目标跟踪任务的算法。它通过使用深度学习技术来提高跟踪性能，为计算机视觉应用提供了强大的支持。
二、主要步骤
DeepSORT 算法的主要步骤如下：
-
目标检测：首先，DeepSORT 算法使用目标检测器（例如 YOLO 或 Faster R-CNN）来检测视频帧中的目标。目标检测器会输出一组边界框，表示检测到的目标的位置。
-
特征提取：接下来，DeepSORT 算法使用深度学习模型来提取每个目标的外观特征。这些特征用于计算目标之间的相似度，从而进行数据关联。
-
数据关联：然后，DeepSORT 算法使用匈牙利算法进行数据关联。它根据目标的运动和外观特征来计算目标之间的相似度，并将当前帧中的目标与已有轨迹进行匹配。
-
轨迹更新：最后，DeepSORT 算法根据数据关联的结果更新轨迹。对于匹配成功的目标，它们的轨迹会被延长；对于未匹配的目标，它们会被视为新目标并创建新的轨迹。
本次使用的目标检测器是YOLOv5
三、代码实现
整个项目的实现分为两大类，即目标检测+DeepSort，均使用已有的开源代码，后面会放出开源链接。
（1）目标检测：Yolov5
github链接：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)
由于官方的yolov5代码已经十分完善~因此只需自己标注数据就可以训练出属于自己任务的目标检测模型。
标注数据使用的是开源工具LabelImg。
LabelIme 是一个用于图像标注的开源工具。它提供了一个简单易用的界面，可以让用户在图像上绘制多边形、矩形、圆形等标注形状，并为每个标注添加文本标签。LabelIme 支持多种图像格式，包括 JPG、PNG 和 BMP 等。它还提供了一些高级功能，如图层管理、撤销/重做和 JSON 数据导出等。LabelIme 可以用于各种计算机视觉任务，如目标检测、语义分割和实例分割等。
LabelImg界面：
关于LabelImg的具体安装和使用可以参考一下博文： 【教程】标注工具Labelimg的安装与使用 - 知乎 (zhihu.com)
LabelImg（目标检测标注工具）的安装与使用教程_安装labelimg_knighthood2001的博客-CSDN博客生成的标签数据：
准备好训练数据和标签后，就可以直接运行官方的Yolov5代码训练属于自己的目标检测模型啦！
具体调用过程可以参考官方给的文档，官方已经写的很详细（按照上面一步一步操作）~有问题也可以留言。官方文档链接如下：Train Custom Data - Ultralytics YOLOv8 Docs
（2）目标跟踪 DeepSort
经过步骤一，我们就可以得到专属于自己数据的目标检测网络Yolov5，接着就可以用来实现我们的目标运动轨迹跟踪。本次目标跟踪使用的是网上开源代码，链接如下（可以绘制出物体运动的轨迹）：Deepsort跟踪算法画目标运动轨迹_deepsort轨迹_豆芽zc的博客-CSDN博客
整个代码的示意图如下：
然后，修改track.py里面的一些信息（主要是自己训练的目标检测网络的权重—第一步训练好的权重，以及需要跟踪的文件，例如.mp4）
注意！由于yolov5的版本在不断更新，因此你自己新训练好的权重通常不能适配初始的yolov5。例如yolov5 5.0版本原本使用的是xxx的包，但是Yolov5 6.0就不使用这个包了。这一步需要自己根据报错信息，百度，然后进行替换，一般来说需要改动的地方不多。
因此，你还需要把你在第一步训练的整个yolov5文件导入到Deepsort文件夹中。进行如下的修改。
顺利的话，你就可以得到属于你自己任务的运动轨迹啦。
总结
以上就是今天要讲的内容，本文介绍了如何目标跟踪的算法训练自己的私人数据集。
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
