使用PyTorch进行深度排序
更新（1-1-2020）
变化
修正错误
重构代码
通过在gpu上添加nms来进行准确检测
最新更新（07-22）
变化
错误修复（感谢@ JieChen91和@ yingsen1进行错误报告）。
使用批处理为每个帧提取特征，这会导致速度提速。
代码改进。
进一步的改进方向
在特定数据集而不是官方数据集上训练检测器。
在pedestrain数据集上重新训练REID模型以获得更好的性能。
将YOLOv3检测器替换为高级检测器。
欢迎对此存储库做出任何贡献！
介绍
这是MOT跟踪算法深度排序的一种实现。 深度排序与排序基本相同，但深度CNN模型添加了CNN模型以提取受检测器限制的人体部位图像中的特征。 这个CNN模型确实是一个RE-ID模型， 使用的检测器是FasterRCNN，原始源代码是 。 但是，在原始代码中，CNN模型是使用tensorf
2021-10-11 20:28:44
6.08MB
1
FairMOT-master.zip，6月16号版本。下载自：https://github.com/ifzhang/FairMOT/tree/master/。
2021-10-03 12:11:00
43.58MB
1
Evaluating Multiple Object Tracking Performance - The Clear MOT Metrics
2021-07-24 18:03:34
2.14MB
1
使用freescal mpc5602b做升级bootloader时需要合并mot文件，文档为自己总结的mot文件合并方法
2021-07-22 21:36:17
951KB
1
在官网上下载需要登陆，而注册却不能用商业邮箱注册，比如gmail、163和qq邮箱都用不了，所以下载起来挺麻烦的，分享出来给大家~
2021-07-05 15:00:42
25.86MB
1
1.代码原理
该程序逐个读取帧图片，并对帧图片逐个进行多行人检测、多目标追踪。该方法是在线方法，将逐个读取帧图片改为逐帧读取视频即可实现在线处理视频。
1.1 多行人检测。
使用gluoncv中的预训练模型faster_rcnn_fpn_bn_resnet50_v1b_coco实现多行人检测，这一步骤见detect.py。
1.2 多目标追踪。
使用sort算法实现多目标追踪，详见https://github.com/abewley/sort。
2.代码部署
2.1 配置环境。
安装python==3.6，安装requirements.txt中要求的库（代码运行实际用到的库可能少于该文件，因此建议根据代码安装所需要的库）。
2.2 准备数据。
有两种方法准备数据：
2.2.1 将A-data文件夹放入当前目录，A-data文件夹中为Track1 Track2等子文件夹，每个子文件夹中存有.jpg帧图片。
2.2.2 修改run.py的第97行，将input_folder改为A-data文件夹所在路径。
2.3 运行程序run.py。
2.4 程序输出。
程序运行时会打印处理进度及估计的剩余时间。
程序运行完成后，会在当前目录下生成output文件夹，文件夹中存有Track1 Track2等数据集对应的检测结果，.avi文件用于观察检测追踪效果，.txt文件是用于提交的文本文件。
3.调参
3.1 多目标检测模型的选择。
修改detect.py第10行(YOLO.__init__)即可，可选模型及其名称、效果详见gluoncv官网
3.2 sort算法参数的修改。
run.py第34行，参数含义见sort.py。
3.3 将sort改为deepsort。
详见https://github.com/nwojke/deep_sort。
TODO：经尝试，经deep_sort处理后的检测框位置有变形、偏移现象，待解决。
3.4 输入输出路径见run.__main__
2021-06-12 23:14:24
11.21MB
1