YOLOv4 deepsort pytorch实现【代码资源已上传】

爱吃肉的鹏

已于 2022-04-03 10:01:19 修改

阅读量3.3k

点赞数 7

文章标签：目标检测计算机视觉人工智能目标跟踪

于 2022-04-01 14:07:09 首次发布

本文链接：https://blog.csdn.net/z240626191s/article/details/123892732

版权

前些日子跑了一下github上提供的yolov5 deepsort，然后现在想着自己去实现yolov4 的deepsort。【这里不讲原理】代码见文末。

yolov4的代码我是采用的b站up主Bubbliiiing开源的pytorch版代码。deepsort部分还是用的原yolov5版的，只是这里我将这两部分代码进行了合并整理【代码中对部分功能进行了删减修改】。

检测效果不是那么好，因为我用的是coco数据集的80类，每个类的准确率不是那么高，可以根据自己的数据集训练自己的类，这样效果会更好。

代码使用

代码

代码使用

第一步：

下载yolov4权重【权重链接见文末百度云盘】

将下载好的权重yolo4_weights.pth放在yolov4/model_data/文件夹下

修改输入图像大小可以在yolov4/yolo.py中 input_shape进行修改

$ tree model_data
model_data
|-- coco_classes.txt
|-- simhei.ttf
|-- voc_classes.txt
|-- yolo4_weights.pth
`-- yolo_anchors.txt

第二步：

在终端运行命令：python track.py --source demo.mp4 --classes 0 --show-vid --save-vid

命令说明：--source 后面的参数是打开摄像头还是本地视频，如果是本地视频输入路径即可

--classes 是需要检测的类，因为我这里yolo用的是coco数据集，有80个类，如果不加任何参数，默认是检测80个类，如果想只检测某个类，可以单独指定【0指的是指检测人这个类】

--show-vid则显示图像

--save-vid是保存跟踪后的视频，保存路径runs/track/exp【每次检测都会生成一个新的exp文件】

只跟踪行人

跟踪所有的类

------------------------------------------------------------------------------------------------------------------------------

在跟踪部分，支持网络如下：【该文件路径在deep_sort/deep/reid/torchreid/models/_init_.py】，代码默认采用的网络为：osnet_x0_25。如果换其他网络，输入命令：

python track.py --deep_sort_model resnet50 --source demo.mp4 --classes 0 --show-vid --save-vid

    'resnet18': resnet18,
    'resnet34': resnet34,
    'resnet50': resnet50,
    'resnet101': resnet101,
    'resnet152': resnet152,
    'resnext50_32x4d': resnext50_32x4d,
    'resnext101_32x8d': resnext101_32x8d,
    'resnet50_fc512': resnet50_fc512,
    'se_resnet50': se_resnet50,
    'se_resnet50_fc512': se_resnet50_fc512,
    'se_resnet101': se_resnet101,
    'se_resnext50_32x4d': se_resnext50_32x4d,
    'se_resnext101_32x4d': se_resnext101_32x4d,
    'densenet121': densenet121,
    'densenet169': densenet169,
    'densenet201': densenet201,
    'densenet161': densenet161,
    'densenet121_fc512': densenet121_fc512,
    'inceptionresnetv2': inceptionresnetv2,
    'inceptionv4': inceptionv4,
    'xception': xception,
    'resnet50_ibn_a': resnet50_ibn_a,
    'resnet50_ibn_b': resnet50_ibn_b,
    # lightweight models
    'nasnsetmobile': nasnetamobile,
    'mobilenetv2_x1_0': mobilenetv2_x1_0,
    'mobilenetv2_x1_4': mobilenetv2_x1_4,
    'shufflenet': shufflenet,
    'squeezenet1_0': squeezenet1_0,
    'squeezenet1_0_fc512': squeezenet1_0_fc512,
    'squeezenet1_1': squeezenet1_1,
    'shufflenet_v2_x0_5': shufflenet_v2_x0_5,
    'shufflenet_v2_x1_0': shufflenet_v2_x1_0,
    'shufflenet_v2_x1_5': shufflenet_v2_x1_5,
    'shufflenet_v2_x2_0': shufflenet_v2_x2_0,
    # reid-specific models
    'mudeep': MuDeep,
    'resnet50mid': resnet50mid,
    'hacnn': HACNN,
    'pcb_p6': pcb_p6,
    'pcb_p4': pcb_p4,
    'mlfn': mlfn,
    'osnet_x1_0': osnet_x1_0,
    'osnet_x0_75': osnet_x0_75,
    'osnet_x0_5': osnet_x0_5,
    'osnet_x0_25': osnet_x0_25,
    'osnet_ibn_x1_0': osnet_ibn_x1_0,
    'osnet_ain_x1_0': osnet_ain_x1_0,
    'osnet_ain_x0_75': osnet_ain_x0_75,
    'osnet_ain_x0_5': osnet_ain_x0_5,
    'osnet_ain_x0_25': osnet_ain_x0_25

自己下载权重【或者自己训练的权重】：

权重会自动下载，如果感觉慢可以去我网盘里下载【我只上传了osnet_x0_25和resnet50】，如果自己下载的是resnet权重，将下载后的权重放在deep_sort/deep/checkpoint/下，然后进入deep_sort/deep/reid/torchreid/models/resnet.py，将model_urls中的'resnet50'的链接改为本地权重路径。