目标跟踪(OTB100、GOT10K、LaSOT)数据集pysot测试结果

论文画图,必不可少的测试结果

因为接触跟踪较晚,且对于matlab实在是不熟悉,所以最开始直接尝试的就是pysot进行曲线图、各算法比较框图的绘制。但是最近因为写论文需要画图,发现一些算法的txt文件实在难找,所以写下了这个帖子,目前并不全,希望有OTB50、UAV123、VOT数据集txt文件的朋友能够分享一下,感谢!

链接:https://pan.baidu.com/s/14EIi9WIbO23yn6VMxe7gFw
提取码:gcrb
–来自百度网盘超级会员V1的分享

OTB100数据集

直接绘图即可。
在这里插入图片描述

GOT10K数据集

对于GOT-10K数据集有一些说明:
1、GOT10K测试在电脑上就可以,但是进行评估时需要登录got10k的官方主页,使用学校邮箱注册账号才能评估,一般提交后直接刷新就能出结果。
2、GOT10K的画图需要使用GOT10K工具包,且需要一个集成的json文件。就是说将所需要绘图的算法的json文件统一放到一个json文件中。
在这里插入图片描述

LaSOT数据集

直接绘图即可。
SiamRPN++、ATOM、SiamBAN等等算法

最后,希望有OTB50、UAV123、VOT数据集txt文件的朋友能够私信或评论区分享一下,感谢!

绘图参考

1、曲线图:https://blog.csdn.net/weixin_42495721/article/details/110855071
2、多算法比较框图:https://github.com/Giveupfree/SOTDrawRect

  • 17
    点赞
  • 62
    收藏
    觉得还不错? 一键收藏
  • 23
    评论
目标跟踪是计算机视觉领域中的一个重要任务,它旨在通过连续帧的分析和处理,在视频中准确地跟踪特定目标。OTB(Object Tracking Benchmark)数据集是一种常用的用于目标跟踪算法评估的数据集。 对于在OTB数据集上测试目标跟踪算法,首先需要将待测试目标跟踪算法应用于OTB数据集的视频序列中。通过逐帧分析视频序列,算法可以在每一帧中定位目标的位置。随着视频的播放,算法将根据先前帧的跟踪结果来推断目标在当前帧中的位置。 在测试过程中,可以使用OTB数据集提供的标注结果对算法的跟踪准确性进行评估。标注结果是事先由人工标注的目标位置,以边界框的形式保存在数据集中。算法输出的跟踪结果也是以边界框的形式表示目标位置。 评估跟踪算法的准确性通常使用一些常见指标,如平均重叠率(average overlap)和成功率(success rate)。平均重叠率指标通过计算算法输出与标注结果的边界框之间的重叠面积来度量跟踪准确性。成功率指标则通过设置一个重叠阈值,判断算法输出的边界框是否成功跟踪目标。 通过在OTB数据集上进行测试,可以评估目标跟踪算法在不同场景下的性能表现。同时,OTB数据集也提供了用于比较不同目标跟踪算法的基准结果,有助于研究人员和开发者了解和改进目标跟踪算法的性能。
评论 23
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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