deepsort_yolov3

对比原项目

• 更改了网络结构，完善了yolo输入的类别

• 更改了reid的输入

• 增加--count实现人流统计的功能

• 实现reid多baseline的选择，

• 修改了一下bug，

• 并且注释上加上了自己的理解

实现多目标追踪，能够使用--count简单实现人流的计数功能

使用yolov3作为目标检测网络，mobilenet作为特征提取网络

默认权重存放位置

./weights/yolov3-spp.pt

./deep_sort/deep/checkpoint/mobilenetv2_x1_0/mobilenetv2_x1_0_best.pt

权重和数据集下载地址：

baidupan

提取码： zdfn

主体文件：

deep_sort.py

deep_sort.py [--yolo_cfg][--yolo_weights][--deepsort_checkpoint]
				[--ignore_display][--count][--save_path]
    			[--data_cfg][--img_size] 'VIDEO_PATH' 

参数解释：

• 'VIDEO_PATH' 处理的视频文件目录，必选参数
• --yolo_cfg 组成yolo框架的cfg地址，默认使用yolov3-spp.cfg
• --yolo_weights yolo权重地址，默认使用 yolov3-spp.pt
• --deepsort_checkpoint deepsort中Reid的权重文件目录，默认mobilenetv2_x1_0_best.pt
• --ignore_display 是否实时显示，默认显示
• --count 是否计数人流量， 默认不显示
• --save_path 输出结果存放地址
• --data_cfg yolo用，对应数据集的标签名 默认coco.data
• --img_size yolo用，输入yolo图片Size，默认416 x 416
• 其他args参数使用默认即可，或者自行修改

会生成目标轨迹文件在./data/videosample/predicts.txt

其他文件：

训练Reid：

在训练之前：

先利用 deep_sort_yolov3_pytorch/deep_sort/deep/prepare.py 处理Market1501数据集，转换成类似mot16的格式

./deep_sort/deep/train_wo_center.pytrain.py能实现在训练集market1501上的Reid网络的训练

train_wo_center.pytrain.py

train_wo_center.pytrain.py [--data-dir][--interval][--model][--pretrained]

• --data-dir 处理后的Market1501训练集的存放位置

• --interval 训练每隔多少轮显示一次loss和acc

• --model 使用的baseline的模型类型，可使用模型见deep_sort_yolov3_pytorch/deep_sort/deep/models/_init_.py，默认为mobilenetv2_x1_0

  注意：

  如果要使用mobilenet以外的模型的模型，需要到deep_sort_yolov3_pytorch/deep_sort/deep/models/中对应网络结构中做如下修改:

  1.在模型的类的def __init__()中增加reid变量，默认为False

  2.在def forward()中最后一层全连接层之前，加入reid变量提取：

          if self.reid:
              x = v
              x = x.div(x.norm(p=2, dim=1, keepdim=True))
              return x
  

  以下以mobilenet为例：

  ...
  class MobileNetV2(nn.Module):
      def __init__(..., reid = False, **kwargs):
      ...
      ...
      self.reid = reid
      
  ...
  ...
      def forward(self, x):
      ...
      if self.fc is not None:
              v = self.fc(v)
  
      if self.reid:
          x = v
          x = x.div(x.norm(p=2, dim=1, keepdim=True))
          return x
  
      y = self.classifier(v)
      ...

• --pretrained 是否使用预训练集

deep_sort_yolov3_pytorch/predict.py 用来测试yolo网络用

---

Reference:

1. pprp/deep_sort_yolov3_pytorch: Add attention blocks such as cbam, se. Add deep sort, sort and some tracking algorithm using opencv 目标跟踪算法重实现 (github.com)

2. ZQPei/deep_sort_pytorch (github.com)