DeepSort多目标跟踪训练自己的数据集

目录

1、用YOLOv5训练自己的检测模型

2.训练跟踪网络

2.1训练跟踪网络的数据集准备

2.2利用数据集训练跟踪权重 

3、利用训练的跟踪权重进行评估

3.1对MOT-16代码进行评估

3.1.1下载下载TrackEval代码

3.1.2生成跟踪文本

3.1.3得到MOT16训练集跟踪结果

---

 

1、用YOLOv5训练自己的检测模型
 

 这里就不细讲了

2.训练跟踪网络

    代码解压打开如下图：

 文件夹介绍： 

deep_sort_pytorch:跟踪训练部分的代码

inference:后续跟踪检测时保存结果的文件夹

MOT16_eval:评估MOT16数据的脚本

video：保存的测试视频

weights:保存的YOLOv5 5.0版本的权重

yolov5:yolov5相关的部分代码

2.1训练跟踪网络的数据集准备

 以Market-1501为例，该数据集包含了751个类别行人（即train和test文件夹下方各有751文件夹，下格式图仅写了'0002'为例子），按照下面方式存放数据集:(代码里会给出划分好的数据，想训练其他数据集按照下面格式存放图片就行)

--Market-1501

                --test

                        --0002（0002是文件夹名称，下面存放视频连续帧的图片）

                --train

                        --0002（0002是文件夹名称，下面存放视频连续帧的图片）

 数据集在代码中的位置如图：

2.2利用数据集训练跟踪权重 

 在开始训练我们自己数据集的权重之前，我们打开pycharm左下角的命令终端，输入如下的命令pip install -r requirements.txt，就可以对相应环境安装了。

所需的环境安装好了之后，在根目录打开deep_sort_pytorch/ deep_sort/ deep/ train.py文件

  1、只需要修改该train.py下第14行代码，存放数据集路径，要放绝对路径。（其他参数默认就行）如下图

 2、第197行，修改数字‘300’，改成自己训练的轮数。

  3、然后直接运行train.py就可以训练了。训练结束后会在deep_sort_pytorch/ deep_sort/ deep/ checkpoint文件夹下生成一个跟踪权重ckpt.t7。（代码中附带了一个预训练跟踪权重） 

3、利用训练的跟踪权重进行评估

打开根目录下track.py.

修改权重路径和测试视频的路径，即可对视频流中的行人进行检测跟踪，并将检测结果保存。

       如图，分别修改268行，设置YOLO权重路径；269行，设置跟踪权重的路径；271行，设置输入视频的路径。检测结果保存在根目录inference/output下。

      ！！！在deep_sort_pytorch/configs/deep_sort.yaml里，有个参数MIN_confidence,我设的0.8，你把它改成0.2,0.3就能显示更多检测框（）

3.1对MOT-16代码进行评估

      代码自带了一个mot-16评估的脚本，感兴趣的小伙伴可以自行测试，这里不做过多赘婿。

      需要安装GIT软件，安装好了需要配置一下，方法见博客实现pycharm运行.sh文件，配置好了之后在pycharm命令终端输入

./MOT16_eval/eval.sh  

 

脚本命令应该是要下载MOT-16数据集，这个过程可能会很久，有兴趣的去原作者mikel-brostrom/GitHub研究。

     这里给出一个参考其他博主的方法王定邦，大家可以参考一下。

     需要准备两个部分：

 1.下载TrackEval-master代码（后面我给出整理好的代码）

 2.利用自己训练权重的跑出跟踪文件TXT文本（后面将展示如何保存）

 

3.1.1下载下载TrackEval代码

        代码整体结构如下图：（这个代码是独立的，运行的时候TrackEval-master为根目录即可）

         代码的data目录如下结构如下： 

   1、在data/gt/mot_challenge/下文件内容都是官方给出的数据，对视频中行人进行标定，可以理解为标准答案，不需要改动。

   2、在data/trackers/mot_challenge/MOT16-train/data/下存放你跑MOT-16训练集视频得到的跟踪TXT文本。（下面会说明如何生成TXT文本）

3.1.2生成跟踪文本

   在跑跟踪的track.py时，设置保存TXT文本即可，见下图画红框，最后添加：default=True

parser.add_argument('--save-txt', action='store_true', help='save MOT compliant results to *.txt',default=True)

比如我track.py跑的MOT16-13的视频，就会在目录的inference/output下生成一个MOT16-13.txt的文本，依次跑完7个训练视频（视频我会放在最后），可得到7个txt文件（需要自己跑代码生成），将得到的txt文件放在data/trackers/mot_challenge/MOT16-train/data/下即可（3.1.1节提到的），准备工作就完成了。

3.1.3得到MOT16训练集跟踪结果

打开scripys/run_mot_challenge.py，直接运行即可。

  同时，得到的结果也可在data/trackers/mot_challenge/MOT16-train/data/下查看（即我们刚刚存在自己跑出来跟踪txt文本目录下）

 

 TrackEval-master代码链接：

        https://pan.baidu.com/s/1HrZZO74qUXXVg5aeZ9MKdQ?pwd=5555

      提取码：5555

MOT16训练集视频链接：https://pan.baidu.com/s/1e64qRvysIbstIY3FMK3Zow?pwd=5555&_at_=1658213501964

提取码：5555

（PS：这个视频是我用MOT16训练集照片自己合成的，帧率根据官网给的）

  下面的代码包括：

                YOLOv5 5.0权重（weight文件中）：Yolov5s(官方自带权重)

                跟踪权重：ckpt.t7（deep_sort_pytorch/ deep_sort/ deep/ checkpoint文件夹下）

                Market-1501数据集（划分好的）：在deep_sort_pytorch/ deep_sort/ deep下

https://pan.baidu.com/s/1ieo22bWQOqYUJQb4dP6V1A?pwd=5555
提取码：5555