opencv多目标跟踪算法,opencv多目标检测

　　Opencv和python用于多目标跟踪(一)-PaddleDetection目标检测__姜俊泽的技术博客_博客

　　前者的主流多目标检测跟踪算法主要由两部分组成：检测嵌入。检测部分检测视频的每一帧中的潜在目标。嵌入将检测到的目标分发并更新到已有的对应航迹(即ReID重识别任务)。根据两部分的不同，可以分为SDE系列和JDE系列算法。

　　对于传统的多目标跟踪，使用的数据集是MOT16和MOT17，类型如下：

　　数据集/mot

　　 ——————图像列表

　　 —————— cal tech . 10k . val

　　——————caltech.all

　　——————caltech.train

　　——————caltech.val

　　 ——————

　　 ——————

　　——————cuhksysu.train

　　——————cuhksysu.val

　　——————eth.train

　　——————mot16.train

　　——————mot17.train

　　——————prw.train

　　——————prw.val

　　 ——————科技

　　 ——————城市景观

　　——————CUHKSYSU

　　——————ETHZ

　　——————MOT16

　　——————MOT17

　　——————PRW，其中数据格式如下：

　　MOT17

　　 ——————图片

　　——————train

　　——————test

　　——————labels_with_ids

　　——————train所有数据集的标注都以统一的数据格式提供。每个数据集中的每个图片都有相应的注释文本。给定图像路径，可以通过用labels_with_ids和替换字符串图像来生成标注文本路径。jpg带。txt。在标注文本中，每一行都以下列格式描述一个边界框：

　　[class][identity][x _ center][y _ center][width][height]注：

　　类id，支持单类和多类。从0开始，单个类别为0。Identity是1到num_identities之间的整数(num_identities是数据集中所有视频或图片序列的不同对象实例的总数)，如果此框没有标记identity，则为-1。[x _ center][y _ center][width][height]是中心点坐标以及宽度和高度。请注意，它们的值是由图片的宽度/高度标准化的，因此它们是从0到1的浮点数。从格式上看，这类数据似乎类似于目标检测的yolov格式，但其中的图像并不是单个场景中的单个画面，而是连续的视频帧，连续拍摄几帧。

　　与用户自定义数据集相比，目标跟踪的数据标注成本要高得多，因此本文介绍了一种两阶段的方法来实现多目标跟踪。

　　它分为两个步骤：目标检测和目标跟踪

　　PaddleDetection目标检测PaddleDetection快速使用简介训练视觉评估(验证)推导(预测)导出模型PaddleDetection模型到ONNX ONNX模型验证加载ONNX模型

　　PaddleDetection快速利用入门完成多目标跟踪。首先，它训练了一个目标检测模型。它以单帧检测到的目标为基础，利用算法判断其他帧中检测到的物体是否为同一物体，从而实现连续的视频跟踪。

　　目标模型使用cv2.dnn加载这个模型，cv2.dnn可以加载多种类型的模型(格式)。cv2.dnn模块的具体描述请参考以下链接：

　　Opencv.dnn加载模型

　　这里以PaddleDetection的模型为列，把模型变成onnx。

　　1.首先，下载必要的文件和框架。

　　git克隆https://github.com.cnpmjs.org/PaddlePaddle/PaddleDetection-深度1cd paddled检测

　　python setup . py install pip install pycocotools paddle 2 onnx onnx runtime onnx快速目标检测主要使用这些文件：

　　Configs:存储所有配置参数(包括优化器配置参数、数据格式参数、模型参数等。)的各种型号。数据集：对应不同类型目标探测数据的文件夹，我们的数据集放在这里。部署：有一个文件deploy/python/infrared.py，可以为目标探测工具导出视频数据。该文件对应于该模型的训练、评估、推导和导出。

　　以训练yolo v3 _ mobilenet _ v3 _ large _ 270 e _ VOC为例：

　　首先转到配置并找到它。

　　您只需要修改红框的数据参数：

　　voc.yml参数需要修改如下：

　　自身分类类别的数量，以及数据集路径，都需要将自己定义的数据集转换成合适的格式，比如这里的voc格式。

　　火车

　　python tools/train . py-c configs/yolo v3/yolo v3 _ mobilenet _ v3 _ large _ 270 e _ VOC . yml-eval(111，66，193)；边距：0px填充：0px背景：none 0% 0%/auto repeat scroll padding-box border-box rgba(0，0，0，0)；-o use _ GPU=true-use _ VDL=true-VDL _ log _ dir=VDL _ dir/scalar use _ GPU:要用GPU吗？

　　Vdl_log_dir:训练损失可视化配置

　　如果需要切换GPU，在tools/train.py中添加两行代码：

　　Visualize:输入以下命令查看培训的可视化结果。

　　通过visual dl-logdir获得的模型参数和优化器参数。/log-port8080在PaddleDetection/output中，前缀model_final是最好的模型结果。

　　评估(验证)python工具/eval(111，66，193)；边距：0px填充：0px背景：none 0% 0%/auto repeat scroll padding-box border-box rgba(0，0，0，0)；-c configs/yolo v3/yolo v3 _ mobilenet _ v3 _ large _ 270 e _ VOC . yml-o use _ GPU=true weights=output/yolo v3 _ mobilenet _ v3 _ large _ VOC/model _ final . PD params

　　derive(predict)Python Tools/infer . py-CCConfigs/yolo v3/yolo v3 _ mobilenet _ v3 _ large _ 270 e _ VOC . yml-o weights=output/yolo v3 _ mobilenet _ v3 _ large _ 270 e _ VOC/model _ final . PD params。

　　模型python tools/export _ model . py-cconfigs/yolo v3/yolo v3 _ mobilenet _ v3 _ large _ 270 e _ VOC . yml-owights=3359paddlet.bj.bcebos.com/models/ppyoloe _ CrN _ l _ 300e _ coco . PD params导出的模型在paddle detection/output _ incidence中。

　　将PaddleDetection模型转移到ONNX的第一步是训练目标检测模型。

　　使用cv2.dnn加载这个模型，知道cv2.dnn可以加载什么类型的模型(格式)。

　　这里以PaddleDetection模型为列，把模型变成onnx。

　　检测注意：因为现在升级到2.0以后，使用export.py导出的产品也会被称为model.pdmodel和model.pdiparams，

　　只有用export.py导出的模型才是预测模型(只包括正向计算)，可以用paddle2onnx导出。使用训练生成的model.pdmodel和

　　paddle2onnx无法导出Model.pdiparams。

　　paddle2onnx -模型_目录已保存_推理_模型\

　　-模型文件名模型. PD模型\

　　-params _ filename model . PDI params \

　　- save_file model.onnx \

　　-启用开发版本True

　　Saved _ incidence _ model:将模型导出到output_inference文件下的model文件夹中。

　　ONNX模型的验证

　　ONNX官方工具包提供API来验证模型的正确性，主要包括两个方面，一是运营商是否符合相应版本的协议，二是网络结构是否完整。

　　#由ONNX检查

　　导入onnx

　　# onnx_file=save_path 。onnx

　　# onnx _ file= onnx-model/detection model . onnx

　　save_path=onnx-model/

　　onnx _ file=save _ path detection model . onnx

　　onnx_model=onnx.load(onnx_file)

　　onnx . checker . check _ model(onnx _ model)

　　打印(模型已检查！)

　　要加载onnx模型定义load cv2 nnnetonnx(onnx _ path _ path):

　　net=cv2 . dnn . readnetfromonnx(onnx _ path)

　　net . setpreferableback end(cv2 . dnn . dnn _ back end _ OPENCV)

　　net . setpreferabletarget(cv2 . dnn . dnn _ TARGET _ CPU)

　　打印(“加载成功”)

　　返回网

　　转载请联系作者获得授权，否则将追究法律责任。

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。