Siam家族PySOT---github-siam跟踪算法包---商汤新发布的--手把手配置教学

http://www.ctoutiao.com/1809649.html

下面的是中科院 SIAM家族

FlowTrack 朱政 CVPR2018

SiamMask 王强 CVPR2019

SiamFC      Luca Berttineto, JF, Torr ECCV2016

SiamRPN  李波, 朱政 CVPR2018

DaSiamRPN 朱政, 王强 CVPR2018

SiamRPN++ 李博

论文一览

FlowTrack 朱政 导师wei zou CVPR2018

邹伟  男  博导  中国科学院自动化研究所 http://people.ucas.ac.cn/~zouwei

SiamMask 王强 CVPR2019

SiamFC    ECCV2016

SiamRPN  李波 朱政 CVPR2018

DaSiamRPN 朱政 王强 ECCV2018

胡卫明，男， 中国科学院自动化研究所模式识别国家重点实验室研究员(二级) http://people.ucas.ac.cn/~huweiming

SiamRPN++

 

中科院自动化所导师一览表

http://www.ia.cas.cn/yjsjy/dsjj/

视觉跟踪在 CVPR2018 时的发展分布

 

 

 

 

 

 

github项目安装指南

代码连接： https://github.com/STVIR/pysot

先把上述网址的内容下载下来

PS:我主要关注的是实时性快的SiamRPN

SenseTime单目标跟踪研究平台，实现SiamRPN、SiamMask等算法。

 

PySOT 

(ps:可能按照下面我翻译的一步一步安装，也可以按照这个readme安装：https://github.com/STVIR/pysot  )

PySOT是由SenseTime视频智能研究团队设计的软件系统。
它实现了最先进的单目标跟踪算法，包括SiamRPN和SiamMask。
它是用Python编写的，并由PyTorch深度学习框架提供支持。
该项目还包含一个用于评估跟踪器的Python工具包端口。

 

示例SiamFC、SiamRPN和SiamMask输出。

介绍

PySOT的目标是为视觉跟踪研究提供一个高质量、高性能的代码库。
它的设计是灵活的，以支持新研究的快速实施和评估。
PySOT包括以下视觉跟踪算法的实现:

• SiamMask
• SiamRPN++
• DaSiamRPN
• SiamRPN
• SiamFC

使用下列主干网络架构:(ps:都很精简的网络啊)

• ResNet{18, 34, 50} 
• MobileNetV2
• AlexNet

额外的骨干架构可能很容易实现。
有关这些模型的详细信息，请参阅下面的参考资料。
评估工具包可以支持以下数据集:
 OTB2015  VOT16/18/19  VOT18-LT  LaSOT  UAV123

 

Model Zoo and Baselines 

 (ps:模型动物园和基线?，这里应该是一些训练过的模型，可以先放着最后再下载！)

我们在PySOT模型动物园中提供了大量的基线结果和可下载的训练过的模型。下载地址：  PySOT Model Zoo.

We provide a large set of baseline results and trained models available for download in the  PySOT Model Zoo.

 

Installation

（ps：重点开始了，按照 INSTALL.md 把要安装的 一 一 安装好）

可以参考：https://blog.csdn.net/zjc910997316/article/details/93657721

Please find installation instructions for PyTorch and PySOT in INSTALL.md. 

请在INSTALL.md中找到PyTorch和PySOT的安装说明。

PS:按照这个安装完就基本有对应的环境了，
用anaconda管理器（anaconda navigator）管理环境

如下：
红色是我的根环境，
激活base环境，conda activate base
也可以conda create --name xxx python=3.7创建新环境（新旧环境互相隔离，新环境会出现在红色框下面）
蓝色是相应环境env的已安装库，

PS:我的安装过程 https://blog.csdn.net/zjc910997316/article/details/93657721

Quick Start: Using PySOT

1 Add PySOT to your PYTHONPATH

添加路径!

export PYTHONPATH=/path/to/PySOT:$PYTHONPATH

ps：/path/to/PySOT  ->  这个路径自己写

2 Download models

下载模型！

Download models in PySOT Model Zoo and put the model.pth in the correct directory in experiments

在PySOT Model Zoo（PS:模型库）中下载模型，并将model.pth放在experiments目录中

 

3 Webcam demo
网络摄像头演示

python tools/demo.py \
    --config experiments/siamrpn_r50_l234_dwxcorr/config.yaml \
    --snapshot experiments/siamrpn_r50_l234_dwxcorr/model.pth \
    # --video demo/bag.avi # (in case you don't have webcam)

添加 环境config，模型model 
ps: #后面的应该是运行视频

 

4 Download testing datasets
下载测试模型

Download datasets and put them into testing_dataset directory.
Jsons of commonly used datasets can be downloaded from Google Drive or BaiduYun.
If you want to test tracker on new dataset, please refer to pysot-toolkit to setting testing_dataset.

下载数据集并将其放入testing_dataset目录中。
常用数据集的Jsons可以从Google Drive or BaiduYun下载
如果您想在新数据集上测试跟踪器，请参考 pysot-toolkit 来设置testing_dataset。

5 Test tracker
测试跟踪器

cd experiments/siamrpn_r50_l234_dwxcorr
python -u ../../tools/test.py 	\
	--snapshot model.pth 	\ # model path
	--dataset VOT2018 	\ # dataset name
	--config config.yaml	  # config file

The testing results will in the current directory(results/dataset/model_name/)

测试结果将位于当前目录中(results/dataset/model_name/)

 

6 Eval tracker

评估跟踪器

assume still in experiments/siamrpn_r50_l234_dwxcorr

假设仍然在上述目录下

python ../../tools/eval.py 	 \
	--tracker_path ./results \ # result path
	--dataset VOT2018        \ # dataset name
	--num 1 		 \ # number thread to eval
	--tracker_prefix 'model'   # tracker_name

 

 

References

• Fast Online Object Tracking and Segmentation: A Unifying Approach. Qiang Wang, Li Zhang, Luca Bertinetto, Weiming Hu, Philip H.S. Torr. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

• SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks. Bo Li, Wei Wu, Qiang Wang, Fangyi Zhang, Junliang Xing, Junjie Yan. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

• Distractor-aware Siamese Networks for Visual Object Tracking. Zheng Zhu, Qiang Wang, Bo Li, Wu Wei, Junjie Yan, Weiming Hu. The European Conference on Computer Vision (ECCV), 2018.

• High Performance Visual Tracking with Siamese Region Proposal Network. Bo Li, Wei Wu, Zheng Zhu, Junjie Yan, Xiaolin Hu. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018.

• Fully-Convolutional Siamese Networks for Object Tracking. Luca Bertinetto, Jack Valmadre, João F. Henriques, Andrea Vedaldi, Philip H. S. Torr. The European Conference on Computer Vision (ECCV) Workshops, 2016.