白起

由mikel brostrom提供。在以前的版本中，有yolov5+deepsort（版本v3-v5）， yolov8+strongsort（版本v6-v9），直至演变到v10，名称BOXMOT。BOXMOT提供三种对象检测器：yolov8， yolo_nas， yolox；支持多个跟踪器：BoTSORT, DeepOCSORT, OCSORT, Hybridsort, ByteTrack, StrongSORT。以前常见的DeepSort在此由增强型StrongSORT替代。

但有个问题，track程序将ultralytics安装到虚拟环境，而不在工作目录yolo_tracking下，这样调试程序时，不能跟踪到ultralytic相关的程序模块，当然对python调试器做一些相应的配置，也可以跟踪到虚拟环境的模块，但是操作很麻烦。对于yolo-nas，由Deci AI公司开发，目前尚未公开，boxmot无法筛选目标类别，所以，postprocess对preds基本没有处理，直接送到跟踪器tracker。即，每帧产生一个results，对每帧results写入MOT跟踪文件。

2023年2月，Yolov5发展到yolov8，这世界变得真快哦。mikel-brostrom在github上不断更新多目标跟踪方法，deepsort升级到StrongSort，检测用yolov8，tracker除了StrongSort外，还有 ocsort和bytetrack，眼花缭乱。运行效果，明显比以前的deepsort好，即使用yolov8n，也比deepsort yolov5m强，说明strongsort比deepsort，yolov8比yolov5都有效果的提升。试验过程没有遇到问题。

yolov5目标检测具备一定的小目标检测能力，但由于参与训练的coco数据集缺少小目标素材，故检测小目标有局限。本文利用无人机采集的小目标数据集，对yolov5权重文件进行再训练，提高小目标检测能力。本文仅记录跑通训练的过程，得到一些启示，没有尝试训练整个数据集。使用visDrone无人机小目标数据集训练yolov5检测器比较上图用未训练的yolov5s.pt，下图用经过训练的best.pt权重。可以看出两种检测的区别，其中visDrone训练图片用了其中69张，epoch=100,简单训练已初见

如何评价deepsort跟踪性能，常用的有MOT challenge提供的数据集，根据训练数据集的ground truth文件，对比deepsort跟踪窗口位置和跟踪ID，可以得到一系列评价指标。网上有很多有关MOT评价指标介绍和算法，近来找到一个纯采用python的算法代码，在此分享。github网站在此：https://github.com/JonathonLuiten/TrackEval克隆到本地git clone https://github.com/JonathonLuiten/TrackE

由于mikel-brostrom在github上发布的Yolov5_DeepSort_Pytorch更新，使整个代码封装性更好，进而允许采用多种REID特征识别模型，完善了deepsort在检测跟踪方面的性能。本博文记录如何使用此版本Yolov5_DeepSort_Pytorch的过程，同时给出ZQPei REID模型的修改方法，以适应mikel-brostrom更新版本。使用Yolov5_DeepSort_Pytorch默认的osnet REID实现跟踪track.py将三个github代码克隆到本地

由于号称Yolov5_DeepSort_Pytorch之github官网（mikel-brostrom）改版，加入了多种reid，原来ZQPei提供的针对行人跟踪的权重ckpt.t7不能直接使用。以下记录如何在新版中使用osnet reid模型，以及使用ZQPei ckpt.t7模型的方法。经验证，新版Yolov5_DeepSort_Pytorch，用osnet_x1_0, osnet_ain_x1_0均可运行，性能和ZQPei模型差不多，但速度慢。大约40ms：20ms/帧的差别。可能的原因，osn

deepsort可以跟踪图像中多个目标，某些应用下需要跟踪其中某个感兴趣的目标。此处对deepsort程序的变化是，用鼠标点击感兴趣目标，对此目标加特别标注，使其跟踪框加粗而明显，有助于单独提取感兴趣目标的坐标。本博文用于记录实现过程，便于以后再用到此功能时，方便查找。python函数太多，留点记录防止遗忘。希望CSDN长命百岁。deepsort中 track.py每帧处理图像过程：TTS = Target_designation(title='', img =[], target_xy = np.a

yolov5目标检测模型中，对模型结构的描述较多，也容易理解。但对如何获得目标预测方面描述较少，或总感觉云山雾罩搞不清楚。最近查阅一些资料，并加上运行yolov5程序的感受，总结一下对目标特征参数的预测方法，记录如下。1 yolov5框架结构图x-1 yolov5模型框架图x-1借用江大白的图，做了少许修改，以适应本博文的描述，其细节请看江大佬的文章。此处说明，输入图像为1280x720，根据边长需被32整除，resize为1280x736，在以下的描述中，对应tensor的顺序，输入图像为736x

deepsort用来跟踪被检测对象。网上常见的yolov5+deepsort，是pytorch版。此版本用ZQPei Github: https://github.com/ZQPei/deep_sort_pytorch#training-the-re-id-modelZQPei提供的ReID：deep模型文件ckpt.t7为行人特征，由market1501数据集训练获得。本文提供一种针对车辆特征的训练方法，训练数据集为veri-wild。1 deep ReID网络定义ReID personal Re-

colour-science是专门用来进行颜色空间计算的python模块，绘制CIE色度图用法十分简便。近来尝试了CIE 1976色度图的绘制，记录如下：安装python colour-science模块，用于绘制色域图git clone git://github.com/colour-science/colour.gitcd colourconda activate back-matting #用虚拟环境安装为好pip install --user安装plotting optionp

yolo是一种运行速度很快的目标检测AI模型，目前最新版本是yolo5，最大可处理1280像素的图像。当我们检测出图像中目标后，把视频分解成多幅图像并逐帧执行时，可看到目标跟踪框随目标移动，看上去很酷吧。但是，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？这就是目标跟踪的工作，应用多个检测来识别特定目标随时间的变化，实现目标跟踪。Deepsort是实现目标跟踪的算法，从sort（simple online and realtime tracking）演变而来，其使用卡尔曼滤波器预测所检

引用来源@article{MODNet,author = {Zhanghan Ke and Kaican Li and Yurou Zhou and Qiuhua Wu and Xiangyu Mao and Qiong Yan and Rynson W.H. Lau},title = {Is a Green Screen Really Necessary for Real-Time Portrait Matting?},journal={ArXiv},volume={abs/2011.11961

Background Matting V2华盛顿大学Background Matting前一版提供了背景移除的测试程序test_background-matting_image.py。此测试版最大的问题是，移除后的图像会导致清晰度降低，这由产生前景的公式I′=αF+(1−α)B′F是图像前景，B’是需合成的新背景，alpha是前景图像遮罩。由于前景区中alpha并非=1，因此导致合成的前景图像损失。V2版Background MattingV2 对此进行了改进，经本人验证效果不错，现将结果记录如下：

来源：Github作者：senguptaumd链接：The World is Your Green Screen视频背景移除 background matting从一幅图像中分离前景和背景，俗称抠像。本文所用的视频背景移除方法，基于静止图像的抠像方法，将组成视频的单帧图像中抠出前景，再把这些单帧的前景组成视频，实现视频背景移除。本方法需要一幅完全的背景图像，作为抠前景的基准背景。先利用tensorflow的分割模型Deeplabv3，获得图像的粗略alpha遮照，然后对alpha遮照精细化，由此

双系统重装win10后恢复grub引导Win10+ubuntu18.04双系统，通常是先装win10，再装ubuntu，这样可以产生grub引导项。但是，若需要重装win10，则开机引导找不到grub引导，此时需按以下方式恢复：找到18.04引导U盘，启动，进入u盘选试用ubuntu。进入ubuntu后CTRL+ALT+T调出终端。$sudo fdisk -l #找出之前linux的安装分区，本例为 /dev/sda5$sudo mount /dev/sda5 /mnt #（

双系统挂载windows休眠分区问题电脑双系统，ubuntu挂载windows分区，出现windows is hibernated, refused to mount.错误。原因是windows分区处于休眠状态，无法挂载分区。给出的解决办法是，去除windows快速启动选项，即windows关机时不采用休眠方式关机，而是彻底关机。但本博电脑出现这种报错时，并非不能挂载，而是做为只读分区挂载，无法对该分区写入。防止所谓的windows hibernation，采取去除windows快速启动方式，BIOS

前段时间实践tensorflow目标检测模型再训练，过程见博文tf2目标检测-训练自己的模型总结目标检测模型再训练过程，有以下几点需注意：1 训练集和测试集训练图片每张只包含一个目标，因此可用小尺寸图片，且统一训练图片大小，有助于加快训练过程。测试图片则用大图片，包含多个需检测目标，同时包括应排除的目标，检验模型训练成果。2 模型处理窗口和输入图片resize问题每个再训练模型有处理窗口，例如ssd_resnet50_v1_fpn_640x640_coco17_tup-8，处理窗口是640x64

网上关于利用tensorflow已训练模型构造自己的模型方法，多为tensorflow v1，本博文给出tensorflow v2的训练过程。此文利用tensorflow目标检测中已经过训练的模型，在自定义的数据集上进一步训练，所谓fine-tune过程，实现用户定义的目标检测模型。这里假定已经建立完成tensorflow目标检测环境，从github克隆了models到本地，并安装完成所需要的模块。此外，所建立的训练目录如下：训练的主目录model_training下自定义数据集放在dataset目

用jupyter notebook试验tensorflow minist数据集，经常出现cuda error: out of memory。难道本机显卡GPU太简陋，只有4GB GDDR6不能做这个初级minist运算？看看以下的实验在tensorflow程序中设置GPU的显存限制：# 设置可使用的 gpu 序号os.environ['CUDA_VISIBLE_DEVICES']='0'#获取当前物理GPUgpus=tf.config.experimental.list_physical_dev