CenterTrack 模型安装与demo测试

最新推荐文章于 2021-06-30 00:58:08 发布
最新推荐文章于 2021-06-30 00:58:08 发布
阅读量2.3k 收藏 20
点赞数
分类专栏： 目标跟踪 文章标签： 深度学习
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_41449637/article/details/109093728
版权

下载工程代码

git clone https://github.com/xingyizhou/CenterTrack.git

安装步骤

安装参考教程 https://github.com/xingyizhou/CenterTrack/blob/master/readme/INSTALL.md

配置conda环境,编译DCNv2时候，先设置CUDA_HOME，export CUDA_HOME=/usr/local/cuda-10.0

conda create --name CenterTrack python=3.6

conda activate CenterTrack

conda install pytorch torchvision -c pytorch

pip install cython; pip install -U 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

pip install -r requirements.txt

cd $CenterTrack_ROOT/src/lib/model/networks/
# git clone https://github.com/CharlesShang/DCNv2/ # clone if it is not automatically downloaded by `--recursive`.
cd DCNv2
./make.sh

 环境版本

(CenterTrack) cody@cody:~/PycharmProjects/CenterTrack/src/lib/model/networks/DCNv2$ conda list
# packages in environment at /home/cody/anaconda3/envs/CenterTrack:
#
# Name                    Version                   Build  Channel
_libgcc_mutex             0.1                        main  
_pytorch_select           0.2                       gpu_0  
argon2-cffi               20.1.0                    <pip>
async-generator           1.10                      <pip>
attrs                     20.2.0                    <pip>
backcall                  0.2.0                     <pip>
blas                      1.0                         mkl  
bleach                    3.2.1                     <pip>
ca-certificates           2020.10.14                    0  
cachetools                4.1.1                     <pip>
certifi                   2020.6.20                py36_0  
cffi                      1.14.3           py36he30daa8_0  
cudatoolkit               10.0.130                      0  
cudnn                     7.6.5                cuda10.0_0  
cycler                    0.10.0                    <pip>
Cython                    0.29.21                   <pip>
DCNv2                     0.1                       <pip>
decorator                 4.4.2                     <pip>
defusedxml                0.6.0                     <pip>
descartes                 1.1.0                     <pip>
easydict                  1.9                       <pip>
entrypoints               0.3                       <pip>
fire                      0.3.1                     <pip>
flake8                    3.8.4                     <pip>
flake8-import-order       0.18.1                    <pip>
freetype                  2.10.3               h5ab3b9f_0  
importlib-metadata        2.0.0                     <pip>
iniconfig                 1.1.1                     <pip>
intel-openmp              2020.2                      254  
ipykernel                 5.3.4                     <pip>
ipython                   7.16.1                    <pip>
ipython-genutils          0.2.0                     <pip>
ipywidgets                7.5.1                     <pip>
jedi                      0.17.2                    <pip>
Jinja2                    2.11.2                    <pip>
joblib                    0.17.0                    <pip>
jpeg                      9b                   h024ee3a_2  
jsonschema                3.2.0                     <pip>
jupyter                   1.0.0                     <pip>
jupyter-client            6.1.7                     <pip>
jupyter-console           6.2.0                     <pip>
jupyter-core              4.6.3                     <pip>
jupyterlab-pygments       0.1.2                     <pip>
kiwisolver                1.2.0                     <pip>
lcms2                     2.11                 h396b838_0  
ld_impl_linux-64          2.33.1               h53a641e_7  
libedit                   3.1.20191231         h14c3975_1  
libffi                    3.3                  he6710b0_2  
libgcc-ng                 9.1.0                hdf63c60_0  
libpng                    1.6.37               hbc83047_0  
libstdcxx-ng              9.1.0                hdf63c60_0  
libtiff                   4.1.0                h2733197_1  
llvmlite                  0.34.0                    <pip>
lz4-c                     1.9.2                heb0550a_3  
MarkupSafe                1.1.1                     <pip>
matplotlib                3.3.2                     <pip>
mccabe                    0.6.1                     <pip>
mistune                   0.8.4                     <pip>
mkl                       2020.2                      256  
mkl-service               2.3.0            py36he904b0f_0  
mkl_fft                   1.2.0            py36h23d657b_0  
mkl_random                1.1.1            py36h0573a6f_0  
motmetrics                1.2.0                     <pip>
nbclient                  0.5.0                     <pip>
nbconvert                 6.0.7                     <pip>
nbformat                  5.0.8                     <pip>
ncurses                   6.2                  he6710b0_1  
nest-asyncio              1.4.1                     <pip>
ninja                     1.10.1           py36hfd86e86_0  
notebook                  6.1.4                     <pip>
numba                     0.51.2                    <pip>
numpy                     1.19.1           py36hbc911f0_0  
numpy-base                1.19.1           py36hfa32c7d_0  
nuscenes-devkit           1.1.0                     <pip>
olefile                   0.46                       py_0  
opencv-python             4.4.0.44                  <pip>
openssl                   1.1.1h               h7b6447c_0  
packaging                 20.4                      <pip>
pandas                    1.1.3                     <pip>
pandocfilters             1.4.2                     <pip>
parso                     0.7.1                     <pip>
pexpect                   4.8.0                     <pip>
pickleshare               0.7.5                     <pip>
pillow                    7.2.0            py36hb39fc2d_0  
pip                       20.2.3                   py36_0  
pluggy                    0.13.1                    <pip>
progress                  1.5                       <pip>
prometheus-client         0.8.0                     <pip>
prompt-toolkit            3.0.8                     <pip>
ptyprocess                0.6.0                     <pip>
py                        1.9.0                     <pip>
py-cpuinfo                7.0.0                     <pip>
pycocotools               2.0.2                     <pip>
pycodestyle               2.6.0                     <pip>
pycparser                 2.20                       py_2  
pyflakes                  2.2.0                     <pip>
Pygments                  2.7.1                     <pip>
pyparsing                 2.4.7                     <pip>
pyquaternion              0.9.9                     <pip>
pyrsistent                0.17.3                    <pip>
pytest                    6.1.1                     <pip>
pytest-benchmark          3.2.3                     <pip>
python                    3.6.12               hcff3b4d_2  
python-dateutil           2.8.1                     <pip>
pytorch                   1.3.1           cuda100py36h53c1284_0  
pytz                      2020.1                    <pip>
PyYAML                    5.3.1                     <pip>
pyzmq                     19.0.2                    <pip>
qtconsole                 4.7.7                     <pip>
QtPy                      1.9.0                     <pip>
readline                  8.0                  h7b6447c_0  
scikit-learn              0.22.2                    <pip>
scipy                     1.5.2                     <pip>
Send2Trash                1.5.0                     <pip>
setuptools                50.3.0           py36hb0f4dca_1  
Shapely                   1.7.1                     <pip>
six                       1.15.0                     py_0  
sqlite                    3.33.0               h62c20be_0  
termcolor                 1.1.0                     <pip>
terminado                 0.9.1                     <pip>
testpath                  0.4.4                     <pip>
tk                        8.6.10               hbc83047_0  
toml                      0.10.1                    <pip>
torchvision               0.4.2           cuda100py36hecfc37a_0  
tornado                   6.0.4                     <pip>
tqdm                      4.50.2                    <pip>
traitlets                 4.3.3                     <pip>
wcwidth                   0.2.5                     <pip>
webencodings              0.5.1                     <pip>
wheel                     0.35.1                     py_0  
widgetsnbextension        3.5.1                     <pip>
xmltodict                 0.12.0                    <pip>
xz                        5.2.5                h7b6447c_0  
zipp                      3.3.0                     <pip>
zlib                      1.2.11               h7b6447c_3  
zstd                      1.4.5                h9ceee32_0

下载模型文件

下载地址：https://github.com/xingyizhou/CenterTrack/blob/master/readme/MODEL_ZOO.md

放置位置：CenterNet_ROOT/models/

测试视频位置：CenterNet_ROOT/videos/4.mp4

测试命令

python demo.py tracking --load_model ../models/coco_tracking.pth --demo /path/to/image/or/folder/or/video

这里依然采用pycharm配置相关参数，具体详情看本系列其他文章,ID 互换的可能性比较大

不会飞的鹰08
关注
  • 0
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 23
    评论
专栏目录
centertrack torch1.11编译DCN
weixin_45268113的博客
11-04 520
centertrack torch1.11编译DCN
CenterTrack技术报告，目标追踪技术
12-08
CenterTrack技术报告，目标追踪技术
centertrack
justsolow的博客
12-31 3750
Centertrack模型转换小结 首先我转的模型是centertrack这个模型，其实总的来说这个模型还是比较简单的，但是由于其中有一个DCN卷积在onnx和tensorflow中不支持的自定义算子，所以转换起来有会有很多问题。 CenterNet 其实CenterNet一共是有两篇文章的，他们都是AnchorFree类型的网络，两个网络既有相似的地方也有本质的区别，都很具有启发意义，跟我们的CenterTrack都有很大的关系，所以在这里都介绍一下。 先讲一下《CenterNet: Keypoint T
基于CenterTrack的3D目标检测源码解读
qq_15073835的博客
05-25 3366
1、数据集nuScenes 2、预处理 将输入图片做放射变换，映射成固定的模型输入尺寸800x448 归一化 通道转置：HWC转成CHW def pre_process(self, image, scale, input_meta={}): resized_image, c, s, inp_width, inp_height, height, width = \ self._transform_scale(image) #通过3点获取仿射变换的转换矩阵 trans
[Extensive Reading]MOT：CenterTrack
zhangxu
06-30 447
简介 CenterTrack是CenterNet目标检测网络的作者xingyizhou在多目标跟踪领域的工作，《Tracking Objects as Points》，作为一个多目标跟踪算法，个人认为CenterTrack比较新颖的地方在于不完全依赖前后帧的IOU关系，而是把匹配的过程尽量多的交给CNN结果，减少了常规多目标跟踪方法中负责的匹配过程，而这个匹配甚至可以和IOU解耦，CenterTrack在单图训练的情况下，也有一定的跟踪能力。 原理 推理： 输入：相比于一个检测模型，CenterTrack的
[深度学习]CenterNet/CenterTrack学习笔记
开源节流
12-09 2164
HRNet / HigherHRNet-Human-Pose-Estimation https://github.com/HRNet/HigherHRNet-Human-Pose-Estimation 三项任务[应用] Main results Object Detection on COCO validation Backbone AP / FPS Flip AP / FPS Multi-scale AP / FPS Hourglass-104...
Demo3D 模型库(链式穿梭车 螺旋提升机 条码扫描 自动码盘模型)
01-14
模型库是Demo3D的核心组成部分，为用户提供了丰富的预建模型，便于快速构建复杂的仿真场景。本模型库特别关注的是"链式穿梭车"、"螺旋提升机"、"条码扫描"以及"自动码盘模型"，这些都是工业自动化中的关键组件。 1....
demo.rar_DEMO_opengl 人物模型
09-14
VC下用OPENGL写的一个简单人物模型。
【PaddlePaddle】Java demo测试
01-20
这里有一个脚本prepare_demo.bash可以自动拷贝so库、jar包和模型文件到android工程下对应的位置。 bash prepare_demo.bash arm64-v8a 注意这里选择你的android设备支持的架构。 虽然Paddle-Lite/lit
一个简单的软件测试小Demo
最新发布
04-04
这是一个简单的软件测试小Demo，用于展示如何使用Python的unittest模块进行单元测试。
centertrack_wami:该存储库保存了我们在广域运动图像上工作的代码
03-08
centertrack_wami 该存储库保存了我们在广域运动图像上的工作代码。 我们选择使用，并将其结果与进行比较。 数据集预处理 我们选择仅处理大小为13312 X 10752的r1分辨率图像，并下载的训练和测试部分。 运行wapfb_save.py文件，将NITF图像转换为PNG文件。 然后，我们使用位于testing_code文件夹中的run_area_of_interest_test_set.m文件提取指定的感兴趣区域（ROI），并在其指定其位置和大小。 这将为移动的车辆生成已注册的AOI序列和注释。 然后，我们使用crop_AOI.py文件生成固定大小为960 X 544的小作物，该文件将生成视频序列。 培训守则 培训是使用CenterTrack完成的，大部分培训代码均来自。 CenterTrack期望采用COCO格式的注释。 因此，请使用convert_wpafb_to_c
codeblocks-安装包以及运行测试demo
03-19
在这个"codeblocks-安装包以及运行测试demo"的主题中，我们将深入探讨如何安装CodeBlocks以及如何在安装后运行一个测试Demo，以确保IDE的正确配置。 首先，我们有`codeblocks-20.03mingw-setup.exe`文件，这是...
CenterTrack复现步骤和问题汇总
博客
12-15 3502
工程路径：link 准备工作： 在CenterTrack/readme/INSTALL.md中查看工程依赖的环境要求。 在按照作者给出的环境配置步骤操作之前，强烈建议先去git issue页面看一下是否有关于环境配置的相关提问和解决方案，尤其是跟自己当前的系统配置相似的issue。 整个环境我断断续续配置了两天时间（一部分原因是网速慢）才完成，其中大部分的问题都是可以先读issue来避免踩坑的。 因此，以下是最终能够成功运行的配置步骤： 步骤一： 为了不破坏公用的服务器环境，依旧采用单独的镜像来维护不同项
CenterTrack代码inference阶段框架
MTS的博客
05-27 1412
demo.py Opts对象：包含所有的超参数 class opts(objects): def __init__(self): def parse(self,args=''): return opt def update_dataset_info_and_set_heads(self,opt,dataset): return opt def init(self,args=''): return opt Detector对象
CenterNet 训练自己的数据
weixin_41054702的博客
05-29 923
CenterNet 训练自己的数据1.环境配置2.数据准备3. 修改配置 1.环境配置 作者在github 上给出的安装步骤已经较为详细，可以参照作者的步骤进行安装。 code:https://github.com/xingyizhou/CenterNet 在这个过程中比较麻烦的是，作者的环境为pytorch 0.4.1 cuda9.0 cudnn7.1.2，cuda版本不匹配的话，后面会报错：ImportError:/home/shiep/CenterNet/src/lib/models/net
阅读心得：CenterTrack：Tracking Objects as Points
11-02 4750
CenterTrack阅读心得
从基线模型开始：别担心，模型最开始都让人不忍直视
weixin_34383618的博客
05-14 2577
怎样高效开发机器学习产品 想要开发通用AI，首先你得掌握逻辑回归模型。 从最基础的开始 在大多数领域，当人们尝试用科学的方式理解世界时，都会选择先宽泛研究整体的内容，而不是立马深入到重要的细节之中。 譬如在物理学领域，我们常常从简单的模型开始（牛顿物理学）做研究。然后，我们在逐渐认识到最初的一些假设并不正确时，就会慢慢开始使用更复杂的模型。这种方式可以以...
论文学习笔记 - CenterTrack
热门推荐
Custom自定义
04-11 1万+
『写在前面』 CenterNet ( Objects as points ) 作者将CenterNet检测器推广到目标跟踪领域的成果，效果极佳，思路清奇。 文章标题：《Tracking Objects as Points》 作者机构：Xingyi Zhou等, UT Austin. 原文链接：https://arxiv.org/abs/2004.01177 相关repo：https:/...
pytracking 配置过程 ubuntu18.04
weixin_41449637的博客
10-14 2949
下载代码 git clone https://github.com/visionml/pytracking.git 创建环境https://github.com/visionml/pytracking/blob/master/INSTALL.md conda create --name pytracking python=3.7 conda activate pytracking conda install pytorch torchvision cudatoolkit=10.0 -c pyto.
matlab安装测试demo
09-28
要为MATLAB文件构建方便的单元测试程序，可以按照JUnit for Java或CUnit的思想，为每个用户功能创建一个测试。测试应该调用用户函数并断言一些结果。如果结果与预期不符，则抛出"断言"。为了安装测试demo，您可以按照以下步骤进行操作： 1. 首先，确保您已经安装了MATLAB软件并具有管理员权限。 2. 在MATLAB的命令窗口中，执行以下命令来下载并安装MATLAB Unit Test框架： ``` matlab.addons.toolbox.installToolbox('MATLAB Unit Test Framework.mltbx') ``` 3. 安装完成后，您可以在MATLAB的工具箱中找到MATLAB Unit Test框架。 4. 您可以根据自己的需要创建测试脚本，使用MATLAB的assert函数来断言测试结果是否符合预期。 5. 运行测试脚本，您将看到每个测试的结果和通过率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 23
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
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