Skip to content

Latest commit

 

History

History
199 lines (124 loc) · 6.94 KB

README_CN.md

File metadata and controls

199 lines (124 loc) · 6.94 KB
Raw

YOLO检测器与SOTA多目标跟踪工具箱

❗❗重要提示

与之前的版本相比，这是一个全新的版本（分支v2）！！！

请直接使用这个版本，因为我几乎重写了所有代码，以确保更好的可读性和改进的结果，并修正了以往代码中的一些错误。

git clone https://github.com/JackWoo0831/Yolov7-tracker.git
git checkout v2  # change to v2 branch !!

🙌 如果您有任何关于添加跟踪器的建议，请在Issues部分留言并附上论文标题或链接！欢迎大家一起来让这个repo变得更好

🗺️ 最近更新

  • 2024.10.24 增加了 Hybrid SORT 并且修复了OC-SORT的一些bug和错误。

❤️ 介绍

这个仓库是一个实现了检测后跟踪范式多目标跟踪器的工具箱。检测器支持：

  • YOLOX
  • YOLO v7
  • YOLO v8,

跟踪器支持:

REID模型支持：

  • OSNet
  • DeepSORT中的

亮点包括:

  • 支持的跟踪器比MMTracking多
  • 用统一的代码风格重写了多个跟踪器，无需为每个跟踪器配置多个环境
  • 模块化设计，将检测器、跟踪器、外观提取模块和卡尔曼滤波器解耦，便于进行实验

gif

🗺️ 路线图

  • [ x ] Add UCMC Track
  • [] Add more ReID modules.

🔨 安装

基本环境是：

  • Ubuntu 18.04
  • Python：3.9, Pytorch: 1.12

运行以下命令安装其他包：

pip3 install -r requirements.txt

🔍 检测器安装

  1. YOLOX:

YOLOX的版本是0.1.0（与ByteTrack相同）。要安装它，你可以在某处克隆ByteTrack仓库，然后运行：

https://github.com/ifzhang/ByteTrack.git

python3 setup.py develop
  1. YOLO v7:

由于仓库本身就是基于YOLOv7的，因此无需执行额外的步骤。

  1. YOLO v8:

请运行：

pip3 install ultralytics==8.0.94

📑 数据准备

如果你不想在特定数据集上测试，而只想运行演示，请跳过这一部分。

无论你想测试哪个数据集，请按以下方式（YOLO风格）组织：

dataset_name
     |---images
           |---train
                 |---sequence_name1
                             |---000001.jpg
                             |---000002.jpg ...
           |---val ...
           |---test ...

     |

你可以参考./tools中的代码来了解如何组织数据集。

然后，你需要准备一个yaml文件来指明路径，以便代码能够找到图像

一些示例在tracker/config_files中。重要的键包括：

DATASET_ROOT: '/data/xxxx/datasets/MOT17'  # your dataset root
SPLIT: test  # train, test or val
CATEGORY_NAMES:  # same in YOLO training
  - 'pedestrian'

CATEGORY_DICT:
  0: 'pedestrian'

🚗 实践

🏃 训练

跟踪器通常不需要训练参数。请参考不同检测器的训练方法来训练YOLOs。

以下参考资料可能对你有帮助：

  • YOLOX: tracker/yolox_utils/train_yolox.py

  • YOLO v7:

python train_aux.py --dataset visdrone --workers 8 --device <$GPU_id$> --batch-size 16 --data data/visdrone_all.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights <$YOLO v7 pretrained model path$> --name yolov7-w6-custom --hyp data/hyp.scratch.custom.yaml
  • YOLO v8: tracker/yolov8_utils/train_yolov8.py

😊 跟踪！

如果你只是想运行一个demo:

python tracker/track_demo.py --obj ${video path or images folder path} --detector ${yolox, yolov8 or yolov7} --tracker ${tracker name} --kalman_format ${kalman format, sort, byte, ...} --detector_model_path ${detector weight path} --save_images

例如:

python tracker/track_demo.py --obj M0203.mp4 --detector yolov8 --tracker deepsort --kalman_format byte --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt --save_images

如果你想在数据集上测试:

python tracker/track.py --dataset ${dataset name, related with the yaml file} --detector ${yolox, yolov8 or yolov7} --tracker ${tracker name} --kalman_format ${kalman format, sort, byte, ...} --detector_model_path ${detector weight path}

例如:

  • SORT: python tracker/track.py --dataset uavdt --detector yolov8 --tracker sort --kalman_format sort --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

  • DeepSORT: python tracker/track.py --dataset uavdt --detector yolov7 --tracker deepsort --kalman_format byte --detector_model_path weights/yolov7_UAVDT_35epochs_20230507.pt

  • ByteTrack: python tracker/track.py --dataset uavdt --detector yolov8 --tracker bytetrack --kalman_format byte --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

  • OCSort: python tracker/track.py --dataset uavdt --detector yolov8 --tracker ocsort --kalman_format ocsort --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

  • C-BIoU Track: python tracker/track.py --dataset uavdt --detector yolov8 --tracker c_bioutrack --kalman_format bot --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

  • BoT-SORT: python tracker/track.py --dataset uavdt --detector yolox --tracker botsort --kalman_format bot --detector_model_path weights/yolox_m_uavdt_50epochs.pth.tar

  • UCMC Track: python tracker/track.py --dataset mot17 --detector yolox --tracker ucmctrack --kalman_format ucmc --detector_model_path weights/bytetrack_m_mot17.pth.tar --camera_parameter_folder ./tracker/cam_param_files

  • Hybrid SORT: python tracker/track.py --dataset mot17 --detector yolox --tracker hybridsort --kalman_format hybridsort --detector_model_path weights/bytetrack_m_mot17.pth.tar --save_images

UCMC Track的重要提示：

  1. 相机参数. UCMC Track需要相机的内参和外参. 请按照tracker/cam_ram_files/uavdt/M0101.txt的格式组织. 一个视频序列对应一个txt文件. 如果您没有标记的参数, 可以参考原始仓库中的估算工具箱(https://github.com/corfyi/UCMCTrack).

  2. 该代码不包含每两帧之间的相机运动补偿部分, 请参阅corfyi/UCMCTrack#12. 在我看来, 既然算法叫"统一相机运动补偿", 因此不需要每两帧之间再更新补偿.

✅ 评估

马上推出！作为备选项，你可以使用这个repo： Easier to use TrackEval repo.