Tracking with darkflow

مقدمة

الغرض من هذا المشروع الصغير هو إضافة تتبع الكائنات إلى YOLOV2 وتحقيق تتبع الكائنات المتعددة في الوقت الفعلي.

تم تعيين الهندسة المعمارية الحالية لتتبع نوع واحد فقط من الكائنات ، ولكن يجب أن يكون من السهل التعميم على جميع الكائنات.

تدعم حاليًا تتبع الأشخاص (حيث تم تدريب الأوزان المقدمة لـ Deep_Sort على تتبع الأشخاص)

التبعيات

 python
numpy
opencv 3
tensorflow 1.0
Cython.
sklean.

لاستخدام النوع:

scikit-learn

scikit-image

FilterPy

يثبت

1-استنساخ هذا المستودع: git clone https://github.com/bendidi/Tracking-with-darkflow.git

2 -تهيئة جميع العوامل الفرعية: git submodule update --init --recursive

3 -انتقل إلى Darkflow Directory وقم ببناء مكانه: python3 setup.py build_ext --inplace

ابدء

قم بتنزيل الأوزان:

اقرأ المزيد عن Yolo (في Darknet) وتنزيل ملفات الوزن هنا ، في حالة عدم العثور على ملف الوزن ، قام Thtrieu بتحميل بعضه هنا ، والذي يشمل yolo-full و yolo-tiny من v1.0 ، tiny-yolo-v1.1 من v1.1 و yolo ، tiny-yolo-voc of v2.

الهندسة المعمارية التي استخدمتها/اختبارها في هذا المشروع هي cfg/yolo.cfg مع الأوزان bin/yolo.weights .

بعد ذلك ، تحتاج إلى تنزيل أوزان Deep_sort هنا (مجلد الشبكات) ، المقدمة من Nwojke

تم إلغاء أوزان Deep_sort التي توفرها Nwojke. يمكنك الحصول عليها من هنا بدلاً من ذلك (بفضل @Louxy126)

استخراج المجلد ونسخه إلى deep_sort/resources

تحرير الأعلام في run.py بعد التكوين الخاص بك:

• demo : مسار إلى ملف الفيديو للاستخدام ، قم بتعيينه على "الكاميرا" إذا كنت ترغب في استخدام الكاميرا

• model : ما هو تكوين النموذج الذي يجب استخدامه لـ YOLO ، يمكنك الحصول على مزيد من المعلومات وملفات .cfg هنا (ضعها في Darkflow/ CFG/ Folder)

• load : الأوزان المقابلة لاستخدامها مع النموذج المختار (ضعها في Darkflow/Bin/) مزيد من المعلومات هنا

• threshold : عتبة الوضع لاكتشاف يولو

• gpu : ما مقدار وحدة معالجة الرسومات التي يجب استخدامها ، 0 يعني استخدام وحدة المعالجة المركزية

• track : لتفعيل التتبع أم لا

• trackObj : أي كائنات يجب تتبعها كقائمة (لاحظ أن تشفير Deep_Sort تم تدريبه فقط على الأشخاص ، لذلك تحتاج إلى تدريب المشفر الخاص بك ، ومزيد من المعلومات هنا)

• saveVideo : ما إذا كان يجب حفظ الفيديو أم لا

• BK_MOG : أضف وحدة الطرح الخلفية من OpenCV ، مفيدة فقط عندما لا تستطيع Yolo اكتشاف الأشخاص في مقطع فيديو (جودة منخفضة ، ...) استخدمه للكشف عن الصناديق حول الكائنات المتحركة

• tracker : أي متعقب لاستخدامه: "deep_sort" أو "الفرز"

        **NOTE** : "deep_sort" only supports people tracking as it was only trained to track people(the code for training is not yet published)
  
        **TODO** : add support for GOTURN tracker(tensorflow implementation)
  
        **TODO** : add support for opencv trackers (MIL,KCF,TLD,MEDIANFLOW)
  

• skip : تخطي الإطارات لزيادة FPS ، قد يقلل من الدقة!

• csv : حفظ ملف CSV من الاكتشافات بالتنسيق (Frame_id ، Object_id ، X ، Y ، W ، H)

• display : عرض الفيديو أثناء المعالجة أو لا

بعد ذلك ، عليك فقط تشغيل python run.py ، والاستمتاع!

بعض الأرقام:

`السرعة باستخدام yolo.cfg:

 YOLO with track Flag set to False : 30fps

YOLO with track Flag set to True (deep_sort) : 14 fps

YOLO with track and background subtraction Flags set to True : 10.5 fps

الاختبارات التي أجريت على (1024 ، 1280 ، 3) فيديو على NVIDIA GTX 1080

يسمح تخطي ما يصل إلى 3 إطارات بمزيد من السرعة مع الحفاظ على دقة التتبع "

disclamer:

هذا المشروع يستخدم الرمز المتشعب من:

Thtrieu/Darkflow: لاكتشاف وتصنيفات الكائنات في الوقت الحقيقي.

nwojke/deep_sort: للتتبع الحقيقي البسيط عبر الإنترنت مع مقياس ارتباط عميق.

يرجى اتباع الروابط لفهم جميع ميزات كل مشروع.

اقتباس

Yolov2:

 @article{redmon2016yolo9000,
  title={YOLO9000: Better, Faster, Stronger},
  author={Redmon, Joseph and Farhadi, Ali},
  journal={arXiv preprint arXiv:1612.08242},
  year={2016}
}

deep_sort:

 @article{Wojke2017simple,
  title={Simple Online and Realtime Tracking with a Deep Association Metric},
  author={Wojke, Nicolai and Bewley, Alex and Paulus, Dietrich},
  journal={arXiv preprint arXiv:1703.07402},
  year={2017}
}

نوع :

 @inproceedings{Bewley2016_sort,
  author={Bewley, Alex and Ge, Zongyuan and Ott, Lionel and Ramos, Fabio and Upcroft, Ben},
  booktitle={2016 IEEE International Conference on Image Processing (ICIP)},
  title={Simple online and realtime tracking},
  year={2016},
  pages={3464-3468},
  keywords={Benchmark testing;Complexity theory;Detectors;Kalman filters;Target tracking;Visualization;Computer Vision;Data Association;Detection;Multiple Object Tracking},
  doi={10.1109/ICIP.2016.7533003}
}