Deep-SORT-YOLOv4:使用Tensorflow后端进行人员检测和可选的跟踪-源码

上传者: 42171208 | 上传时间: 2021-09-23 16:35:24 | 文件大小: 144.81MB | 文件类型: ZIP
介绍 该项目的灵感来自: 我将YOLO v3换成了YOLO v4,并添加了用于异步处理的选项,这大大提高了FPS。 但是,使用异步处理时FPS监视将被禁用,因为它不准确。 另外,我从提取了算法,并将其实现到deep_sort/track.py 。 用于确认轨迹的原始方法仅基于检测到对象的次数,而不考虑检测置信度,从而在发生不可靠的检测时(即低置信度真阳性或高置信度假阳性)导致高跟踪误报率。 轨道过滤算法通过在确认轨道之前计算一组检测次数的平均检测置信度,从而大大降低了这一点。 请参阅下面的比较视频。 低置信度轨道过滤 导航到适当的文件夹以使用低置信度轨道过滤。 上面的视频演示了差异。

文件下载

资源详情

[{"title":"( 109 个子文件 144.81MB ) Deep-SORT-YOLOv4:使用Tensorflow后端进行人员检测和可选的跟踪-源码","children":[{"title":"LICENSE <span style='color:#111;'> 34.33KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 5.32KB </span>","children":null,"spread":false},{"title":"utils.py <span style='color:#111;'> 3.75KB </span>","children":null,"spread":false},{"title":"model.py <span style='color:#111;'> 30.30KB </span>","children":null,"spread":false},{"title":"__init__.py <span style='color:#111;'> 0B </span>","children":null,"spread":false},{"title":"......","children":null,"spread":false},{"title":"<span style='color:steelblue;'>文件过多,未全部展示</span>","children":null,"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明