Tracking with darkflow

Intro

Tujuan dari proyek kecil ini adalah untuk menambahkan pelacakan objek ke YOLOV2 dan mencapai pelacakan objek berganda waktu nyata.

Arsitektur saat ini diatur untuk hanya melacak satu jenis objek, tetapi harus mudah untuk digeneralisasi di atas semua objek.

Saat ini mendukung pelacakan orang (karena bobot yang disediakan untuk Deep_sort dilatih untuk pelacakan orang)

Dependensi

 python
numpy
opencv 3
tensorflow 1.0
Cython.
sklean.

Untuk menggunakan Sort:

scikit-learn

scikit-image

FilterPy

Pengaturan

1-Kloning repositori ini: git clone https://github.com/bendidi/Tracking-with-darkflow.git

2 -Inisialisasi semua submodul: git submodule update --init --recursive

3 -Pergi ke Direktori Darkflow dan lakukan di tempat Build: python3 setup.py build_ext --inplace

Memulai

Unduh bobotnya:

Baca lebih lanjut tentang yolo-full yolo-tiny dalam Darknet tiny-yolo-voc tiny-yolo-v1.1 yolo

Artchitecture yang saya gunakan/uji dalam proyek ini adalah cfg/yolo.cfg dengan bobot bin/yolo.weights .

Selanjutnya Anda perlu mengunduh bobot deep_sort di sini (folder jaringan), disediakan oleh nwojke

Bobot deep_sort yang disediakan oleh Nwojke telah dibatalkan. Anda bisa mendapatkannya dari sini sebagai gantinya (terima kasih kepada @louxy126)

Ekstrak folder dan salin ke deep_sort/resources

Edit bendera di run.py mengikuti konfigurasi Anda:

• demo : Path to Video File untuk digunakan, atur ke "kamera" jika Anda ingin menggunakan kamera Anda

• model : Konfigurasi model apa yang digunakan untuk Yolo, Anda bisa mendapatkan informasi lebih lanjut dan file .cfg di sini (masukkan ke dalam darkflow/ cfg/ folder)

• load : Bobot yang sesuai untuk digunakan dengan model yang dipilih (masukkan ke dalam darkflow/bin/) info lebih lanjut di sini

• threshold : Ambang Deteksi Yolo Deteksi

• gpu : Berapa banyak GPU untuk digunakan, 0 berarti menggunakan CPU

• track : Untuk mengaktifkan pelacakan atau tidak

• trackObj : Objek mana yang akan dilacak sebagai daftar (perhatikan bahwa encoder Deep_sort hanya dilatih pada orang, jadi Anda perlu melatih enkoder Anda sendiri, informasi lebih lanjut di sini)

• saveVideo : apakah akan menyimpan video atau tidak

• BK_MOG : Tambahkan modul pengurangan latar belakang MOG OpenCV, hanya berguna saat yolo tidak dapat mendeteksi orang dalam video (kualitas rendah, ...) Gunakan untuk mendeteksi kotak di sekitar objek yang bergerak

• tracker : pelacak mana yang akan digunakan: "deep_sort" atau "sort"

        **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 : Lewati frame untuk meningkatkan FPS, mungkin mengurangi akurasi!

• csv : Simpan file deteksi CSV dalam format (frame_id, object_id, x, y, w, h)

• display : Tampilkan video saat diproses atau tidak

Selanjutnya Anda hanya perlu menjalankan python run.py , dan nikmati!

Beberapa angka:

`kecepatan menggunakan 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

Tes yang dilakukan pada (1024, 1280, 3) Video Resolusi di NVIDIA GTX 1080

Melewati hingga 3 frame memungkinkan untuk mempercepat lebih lanjut sambil menjaga akurasi pelacakan`

Disclamer:

Proyek ini menggunakan kode yang dilipat dari:

Thtrieu/Darkflow: Untuk deteksi dan klasifikasi objek real-time.

nwojke/deep_sort: Untuk pelacakan realtime online sederhana dengan metrik asosiasi yang dalam.

Harap ikuti tautan untuk mendapatkan pemahaman tentang semua fitur dari setiap proyek.

Kutipan

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}
}

Sortir:

 @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}
}