基于yolo算法的视频目标识别,yolov5算法原理

  基于yolo算法的视频目标识别,yolov5算法原理

  点击上面的“计算机视觉工作坊”,选择“星星”

  干货第一时间发货。

  来源:微信官方账号@AI Park

  作者莱昂洛克

  编译:荣怀阳

  导读

  这篇文章来自github,一个非常实用的应用。

  Git仓库地址:https://github.com/LeonLok/Multi-Camera-Live-Object-Tracking

  这个存储库包含我的目标检测和跟踪项目。所有这些都可以托管在云服务器上。

  多亏了ImageZMQ,你还可以使用自己的异步IP摄像头。

  深度排序和YOLO v4查看我的深度排序库:https://github.com/LeonLok/Deep-SORT-YOLOv4,查看我使用的跟踪算法,包括Tensorflow 2.0、异步视频处理和低置信度跟踪过滤。

  交通流量计数是目标计数应用的扩展。

  由functional DETRAC数据集生成的244,617幅图像用于训练。你可以在这里找到我创建的转换代码。

  我用这篇论文:https://ieeexplore.ieee.org/document/8909903作为数据准备和培训的指南。

  每个跟踪id只计算一次。

  通过观察被跟踪目标的路径和计数线的交点来计数目标。

  所以,那些丢失但用相同ID追踪的,还是会被统计。

  使用低置信度滤波的跟踪,来自上面的同一篇论文。

  提供较低的假阳性率。

  目标跟踪显示平均检测置信度。

  的跟踪类别由最常见的检测类别决定。

  显示检测结果是可选的(但是平均检测置信度是隐藏的)。

  您可以使用多个IP摄像机。

  方向计数可以配置为基于角度。

  每小时间隔记录计数。

  总数

  基于类别的计数

  记录每个计数目标的交叉细节。

  交叉时间

  交叉点坐标

  交叉角

  可以托管在云服务器上。

  请注意,由于DETRAC不包含任何摩托车,因此它们是唯一被忽略的车辆。另外,DETRAC数据集只包含中国的交通图像,由于缺乏训练数据,很难正确检测到其他国家的部分车辆。比如经常把两厢车误认为SUV,或者因为配色不同而无法识别出租车。

  目标这个项目原本是一个应用程序,使用我自己的智能手机计算当前多个房间中的人数,服务器是远程托管的。下面显示了人和车的检测、跟踪和计数。

  该函数对当前视野中的对象进行计数。

  跟踪可选

  支持多台IP摄像机

  每小时记录一次当前计数。

  当前总数

  每个当前类别的计数

  可以托管在云服务器上。

  将我自己的智能手机用作IP摄像头。

  训练自己的车辆跟踪模型。我通过使用DETRAC训练带有v3标签的数据集来训练YOLOv4和深度排序模型。我已经提供了一个脚本,可以将DETRAC训练图像和v3标签转换为正确的格式,用于训练YOLOv4模型和深度排序跟踪模型。

  深度排序转换参数DETRAC图像转换为Market 1501训练格式。

  遮挡阈值-忽略遮挡率过高的车辆序列。

  截断阈值-忽略截断率过高的车辆序列。

  出现次数-在车辆序列太短(即没有足够的图像)并被丢弃后,考虑遮挡和截断比率。

  YOLO转换参数DETRAC图像被转换成Darknet YOLO训练格式。

  遮挡阈值-忽略遮挡率过高的车辆序列。

  截断阈值-忽略截断率过高的车辆序列。

  这两个模型都在DETRAC训练集上进行了训练和评测,但是测试集由于缺少v3记数法没有评测,我也没有MATLAB的评测软件进行深度排序。到目前为止,对我的用例来说已经足够好了。

  硬件Nvidia GTX 1070 GPU使用

  i7-8700K CPU

  为了让大家知道我们的预期,我可以运行两个流计数流,每个流大约为10fps(正如你在流计数gif中看到的)。当然,这很大程度上取决于流分辨率和用于检测和跟踪的帧数。

  YOLO v3 vs YOLO v4刚开始做目标计数项目的时候用的是YOLO v3,跟踪帧率大概是10FPS。很难同时运行多个流。使用YOLOv4可以更容易地以更高的分辨率运行两个流,并提供更好的检测准确度。

  依赖于Tensorflow-GPU 1.14

  Keras 2.3.1

  opencv-python 4.2.0

  ImageZMQ

  数字版本1.18.2

  烧瓶1.1.1

  枕头

  这个项目是在Python 3.6上构建和测试的。

  感谢相关投稿人:冬瓜/flash-https://github.com/危机视频流

  https://github.com/Ma-Dan/keras-yolo4

  https://github.com/nwojke/deep_sort

  https://github.com/Qidian213/deep_sort_yolov3

  https://github.com/yehengchen/Object-Detection-and-Tracking

  —结束—

  英语原文:https://github.com/LeonLok/Multi-Camera-Live-Object-Tracking

  本文仅供学术分享。如有侵权,请联系删除。

  下载1

  微信官方账号“计算机视觉工坊”后台回复:深度学习,可下载近30本关于深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容的pdf书籍。

  下载2

  微信官方账号“计算机视觉工坊”后台回复:计算机视觉,可下载17本计算机视觉相关的pdf书籍,包括计算机视觉算法、Python视觉实践、Opencv3.0学习等。

  下载3

  在微信官方账号“计算机视觉工坊”后台回复:SLAM,即可下载专属SLAM相关视频课程,包括视觉SLAM和激光SLAM的优秀课程。

  重磅!计算机视觉工坊-学习交流群已成立

  扫码添加一点助手微信,即可申请加入3D视觉工坊-学术论文写作与投稿微信交流群,目标交流顶会、顶刊、SCI、EI等写作与投稿事宜。

  同时也可以申请加入我们的细分方向交流群。目前主要有ORB-SLAM系列源码学习、3D视觉CV深度学习SLAM三维重建点云后处理自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、深度估计、学术交流、原创投稿求职交流等微信群。请按格式备注,否则不能通过。添加成功后,会根据研究方向邀请相关微信群。3D视觉从入门到精通知识星球也请联系。

  长按并添加微信群或投稿

  长按关注微信官方账号

  知识点汇总、入门进阶学习路线、最新paper分享、疑问解答:深耕觉得有用,麻烦给个赞和在看~在3D视觉领域的四个方面,由各大厂的算法工程师提供技术指导。同时,星球将与知名企业联合发布3D视觉相关算法开发岗位及项目对接信息,打造集科技与就业于一体的美丽自行车聚集区。近2000名Planet成员将共同进步,创造更美好的AI世界。知识星球入口:

  学习3D视觉核心技术,扫描查看介绍,3天内无条件退款。

  圈子里有高质量的教程资料,可以答疑解惑,帮你高效解决问题。

  010-59000

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: