RK3568笔记五十四：SORT实时目标追踪

最新推荐文章于 2024-11-16 17:03:54 发布
最新推荐文章于 2024-11-16 17:03:54 发布
阅读量362 收藏 2
点赞数
分类专栏： RK3568学习笔记 文章标签： 笔记 YOLO 目标跟踪
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/weixin_38807927/article/details/141095314
版权

若该文为原创文章，转载请注明原文出处。

本文主要介绍如何在正点原子的ATK-DLRK3568移植Yolov5+DeepSORT实现多目标检测与跟踪, 并在屏幕上显示。

一、原理介绍

YOLOv5具备目标检测的功能，把视频分解成多幅图像并逐帧执行时，如果视频帧中有多个目标，如何知道一帧中的目标和上一帧是同一个对象就是目标跟踪的工作。

DeepSort是实现目标跟踪的算法，从sort（simple online and realtime tracking）演变而来，使用卡尔曼滤波器预测所检测对象的运动轨迹，匈牙利算法将它们与新的检测目标相匹配。

结合YOLOv5和DeepSORT可以在实时场景中实现高效的目标检测和跟踪

应用案例和最佳实践

行人跟踪计数

YOLOv5-DeepSORT 可以用于行人跟踪计数系统。通过检测和跟踪视频中的行人，系统可以实时统计行人的数量，这对于监控和安全领域非常有用。

车辆跟踪

在交通监控系统中，YOLOv5-DeepSORT 可以用于跟踪车辆，帮助分析交通流量和车辆行为，从而优化交通管理和规划。

最佳实践

数据集准备：确保你的数据集标注准确且覆盖各种场景。
模型训练：根据你的特定需求调整模型参数，进行充分的训练。
性能优化࿱

了解本专栏 订阅专栏 解锁全文 超级会员免费看
RK3568笔记六十八：Yolov11目标检测部署测试
11-07 719
若该文为原创文章，转载请注明原文出处。看到yolov11出了，山水无移大佬测试通过，跟个风测试一下效果。使用的是正点原子的ATK-DLRK3568开发板。这里不训练自己的模型了，使用官方模型测试。
RK3568笔记三：基于ResNet18的Cifar-10分类识别训练部署
10-20 785
ResNet18 是一种卷积神经网络，它有 18 层深度，其中包括带有权重的卷积层和全连接层。它是ResNet 系列网络的一个变体，使用了残差连接（residual connection）来解决深度网络的退化问题。ResNet（Residual Neural Network）由微软研究院的 Kaiming He 等人在 2015 年提出，ResNet 的结 构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。
YOLOV5+deepsort+rknn(rk3588进行实时目标跟踪)
qq_52859223的博客
09-13 9510
rk3588的目标检测+目标跟踪
RK3568 NPU YOLOV5S 目标检测DEMO
kuosuoguang3325的博客
07-01 1673
若不想要编译，可从网盘目录获取可执行程序 1-SDK Source 软件源码/demo/rknn_yolov5_demo_Linux.tar.gz。编译成功后，执行程序生成目录 install/rknn_yolov5_demo_Linux/交叉编译工具链内置SDK目录，具体路径参考以上命令。RK356X只能运行到7帧/秒，可自行优化程序性能。拷贝方式可用U盘、网络等。系统：Debian11。开发板：RK356X。
目标检测5：采用yolov8, RK3568上推理实时视频流
03-05 2308
RK3568接取RTSP视频流，通过解码，推理，编码，最终并把结果推出RTSP视频流。 pt转换RKNN
目标检测6：采用yolov8, RK3568推理的性能
06-12 1361
根据官方的数据，yolov8s模型的性能在15.4 FPS。所以基本上也吻合了这个数据。通过性能优化，发现推理，稳定的达到了FPS 13左右，NPU利用率在90%上下浮动。解析一段视频文件，1280*720, fps 24。读取视频文件，然后进行推理。本次采用模型为yolov8s.rknn，作了一次验证。
多目标跟踪（MOT）中的卡尔曼滤波（Kalman filter）和匈牙利(Hungarian)算法详解
热门推荐
生命在于折腾！
10-24 2万+
多目标跟踪（MOT）中的卡尔曼滤波（Kalman filter）和匈牙利(Hungarian)算法详解 1. 概览 在开始具体讨论卡尔曼滤波和匈牙利算法之前，首先我们来看一下基于检测的目标跟踪算法的大致流程。 2. 卡尔曼滤波（Kalman filter） 目标跟踪中使用的就是最基础的 Kalman filter 算法。这里也仅仅讨论最基础的 Kalman filter 算法。 卡尔曼滤波算法的过程很简单，如下图所示。最核心的两个步骤就是预测和更新（下图的 correct）。 在目标跟踪任务中，目标的
Hive 学习笔记 排序-分区-分桶-函数
yisuoyanyv的博客
01-14 1840
1. 排序 1.1 Order By 全局排序 关注点： 只有一个reducer ,也就是只有一个分区。 1.2 Sort By Reducer内部排序，分区内排序 关注点： 有多个reducer，也就是有多个分区 注意点： 有多个reducer，单独使用sort by ,数据会被随机分到每个reducer中，在每个reducer中，sort by 将数据排序。 set mapreduce.job.reduces; select * from epm order by detp desc; in
ORB-SLAM2 ---- Tracking::TrackWithMotionModel()
最新发布
uzi_ccc的博客
11-16 1063
本函数为第一层追踪的三大追踪方法之一的恒速追踪模型，也是用到最多的追踪方式，他的特征匹配非常的简单，匹配次数非常的少，之和自己附件的点进行匹配，所以会出现漏匹配的情况，在漏匹配比较多的时候，会造成匹配点数不符合要求这样的尴尬情况，这时就需要用更强大的追踪方式来进行追踪（当然，这样做的代价更大，比如说匹配次数会增加，这也是为什么优先恒速追踪模型），而且恒速追踪模型因为实在附近进行匹配点，所以他一旦匹配成功，可靠性就会很强，这也是为什么初始话匹配器时（ORBmatcher matcher(0.9,true);
AI在电商中的应用系列文章
AI天才研究院
10-03 1720
作者：禅与计算机程序设计艺术随着互联网的发展和普及，越来越多的人把目光投向了电子商务这个新领域。许多企业都希望通过这个平台让顾客得到更高品质的服务和体验，从而实现自己的盈利目的。同时，电商也受到了人们的青睐，它给用户带来的便捷感、快速购买、低廉价格以及便于使用的优点，都令人印象深刻。基于这些原因，当下越来越多的企业开始在电商中积极布局，而在大数据、人工智能等新兴技术的驱动下，许多电商公司也纷纷开始了探索和尝试，尝试利用人工智能技术来提升产品的个性化推荐、商品分类以及品牌营销等方面。然而，对于如何将电商中的人
目标跟踪的C++源代码
06-21
这是一个目标跟踪的源代码，基于C++的，经过本人测试，绝对可以运行成功
基于RK3588+c++开发边缘预警项目+Yolov7算法+读取输入视频源并检测+HTTP信息推送+源码+开发文档（高分优秀项目
05-15
基于RK3588+c++开发边缘预警项目+Yolov7算法+读取输入视频源并检测+HTTP信息推送+源码+开发文档，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 项目简介： 基于RK3588的边缘预警项目（C++）。 采用Yolov7算法，通过读取输入视频源（RTSP、USB摄像头等），经过自创轻量级目标跟踪算法去重检测，将告警信息实时通过HTTP接口推送，同时将视频源进行转发并利用RTMP协议推送。其中告警条件可拓展，目前支持的条件为物体： 出现（某个物体在画面中第一次出现） 离开（某个物体从画面中离开） 经过（物体从画面中的某个方向[上/下/左/右]经过） 滞留（物体留在画面中超过多少秒） 数量（物体的数量的逻辑运算[等于/不等于/大于/小于...]） ...
deep_sort_yolov3视频检测代码(可直接输入mp4格式，也可以是一帧帧的图片).rar
05-25
资源为视频检测算法代码包括算法的模型，算法实现的原理是：首先在视频检测跟踪之前，对所有目标已经完成检测，那么当第一帧进来时，以检测到的目标初始化并创建新的跟踪器，标注ID，输出行人图片，输出一组向量，通过比对两个向量之间的距离，来判断两副输入图片是否是同一个行人。在后面帧进来时，先到卡尔曼滤波器中得到由前面帧box产生的状态预测和协方差预测，并且使用确信度较高的跟踪结果进行预测结果的修正。求跟踪器所有目标状态与本帧检测的box的IOU，通过匈牙利算法寻找二分图的最大匹配，在多目标检测跟踪问题中为寻找前后两帧的若干目标的匹配最优解，得到IOU最大的唯一匹配，在去掉匹配值小于iou_threshold的匹配对。 用本帧中匹配到的目标检测box去更新卡尔曼跟踪器，计算卡尔曼增益，状态更新和协方差更新。并将状态更新值输出，作为本帧的跟踪box，再对于本帧中没有匹配到的目标重新初始化跟踪器。 yolo v3首先通过特征提取网络对输入图像提取特征，得到一定size的feature map，通过尺寸聚类确定anchor box。对每个bounding box网络预测4个坐标偏移。如果feature map某一单元偏移图片左上角坐标,bounding box预选框尺寸为，即anchor尺寸，那么生成对预测坐标为,此为feature map层级.而为真值在feature map上的映射，通过预测偏移使得与一致。类别预测方面为多标签分类，采用多个scale融合的方式做预测。
迅为RK3588开发板RKNPU2项目实战2SORT目标追踪
mucheni的博客
07-10 511
四核心架构GPU--集成Mali G610 MP4四核GPU、支持OpenGLES 1.1、2.0、3.2OpenCL2.2和Vulkan1.2。核心板--开发板采用核心板+底板结构，拆卸方便，核心板支持商业级、工业级、国产化版本，兼容同一底板，核心板引脚320PIN全部引出,满足用户扩展需求。性能强--iTOP-3588开发板采用瑞芯微RK3588处理器，是全新一代ALoT高端应用芯片，采用8nm LP制程，搭载八核64位CPU，四核。强大的视频编解码--8K编码+8K解码，多路视频源同时解码。
RK3568笔记二十三：基于YOLOV5的python测试
05-05 756
若该文为原创文章，转载请注明原文出处。在正在原子的ATK-RK3568上测试FLASK时，发现在web 上不使用yolov5只是显示摄像头数据，显示正常，但开启目标检测后，确识别不了了。为了找到原因，特地测试python怎么使用rknn并显示。
RK3568之使用yolov5的demo，提取rknn4j.so库
xiaoyifeishuang1的博客
05-04 664
①将对应的demo文件除了工程名外都复制到新的工程里面，将对应的CMakeLists.txt也复制进去。其实整个demo最主要的是cpp，assets，raw，jniLibs。它们分别是byte[]转换和识别的方法，识别的种类，识别的模型，模型所需依赖包。②这个识别demo的主要数据入口在cpp文件夹下面的native-lib.cc里面，需要将对应的方法更改成我们当前文件夹的。主要使用rk3568原生的摄像头，我这固件部分主要为mipiCamera。2，yolov5的rknn4j.so的获取，以及使用。
（十二）rk3568 NPU 中部署自己训练的模型，（2）模型转换
不见围墙
04-22 1261
对于rknn 模型部署，本人使用*.pt -> *.onnx -> *.rknn的方式。
RK3568-npu模型转换
Paper_Love的博客
08-16 1073
NPU模型转换和模型推理
安卓目标检测，目标跟踪，人流量计数2
weixin_43141131的博客
10-07 578
相比之前，加入了行人重识别网络，更好的提供跟踪效果，可以直接运行在rk3568的板子上。
评论
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

打赏作者

殷忆枫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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