白起

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

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