หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

อินโทร

วัตถุประสงค์ของโครงการเล็ก ๆ นี้คือการเพิ่มการติดตามวัตถุไปยัง YOLOV2 และบรรลุการติดตามวัตถุหลายครั้งแบบเรียลไทม์

สถาปัตยกรรมปัจจุบันถูกตั้งค่าให้ติดตามวัตถุประเภทหนึ่งเท่านั้น แต่ควรจะสรุปได้ง่ายกว่าวัตถุทั้งหมด

ปัจจุบันสนับสนุนการติดตามผู้คน (เนื่องจากน้ำหนักที่ให้ไว้สำหรับ Deep_sort ได้รับการฝึกอบรมเกี่ยวกับการติดตามผู้คน)

การพึ่งพาอาศัยกัน 

 python
numpy
opencv 3
tensorflow 1.0
Cython.
sklean.

สำหรับการใช้การเรียงลำดับ:

scikit-learn

scikit-image

FilterPy

การตั้งค่า

1-โคลนที่เก็บนี้: git clone https://github.com/bendidi/Tracking-with-darkflow.git

2 -เริ่มต้น submodules ทั้งหมด: git submodule update --init --recursive

3 -ไปที่ Darkflow Directory และทำในสถานที่ Build: python3 setup.py build_ext --inplace

เริ่มต้น

ดาวน์โหลดน้ำหนัก:

อ่านเพิ่มเติมเกี่ยวกับ yolo (ใน Darknet) และดาวน์โหลดไฟล์น้ำหนักที่นี่ในกรณีที่ไม่สามารถพบไฟล์น้ำหนักได้ Thtrieu ได้อัปโหลดบางส่วนของเขาที่นี่ซึ่งรวมถึง yolo-full และ yolo-tiny ของ v1.0, tiny-yolo-v1.1 ของ V1.1 และ yolo , V2 tiny-yolo-voc

artchitecture ที่ฉันใช้/ทดสอบในโครงการนี้คือ cfg/yolo.cfg พร้อมน้ำหนัก bin/yolo.weights

ถัดไปคุณต้องดาวน์โหลดน้ำหนัก deep_sort ที่นี่ (โฟลเดอร์เครือข่าย) จัดทำโดย nwojke

น้ำหนัก Deep_sort ที่จัดทำโดย Nwojke ถูกยกเลิก คุณสามารถรับได้จากที่นี่แทน (ขอบคุณ @louxy126)

แยกโฟลเดอร์และคัดลอกไปยัง deep_sort/resources

แก้ไขธงใน run.py หลังจากการกำหนดค่าของคุณ:

  • demo : เส้นทางไปยังวิดีโอที่ใช้ให้ตั้งค่าเป็น "กล้อง" หากคุณต้องการใช้กล้องของคุณ

  • model : การกำหนดค่าโมเดลใดที่จะใช้สำหรับ YOLO คุณสามารถรับข้อมูลเพิ่มเติมและไฟล์. cfg ได้ที่นี่ (ใส่ใน DarkFlow/ CFG/ โฟลเดอร์)

  • load : น้ำหนักที่สอดคล้องกันที่จะใช้กับโมเดลที่เลือก (วางไว้ใน darkflow/bin/) ข้อมูลเพิ่มเติมที่นี่

  • threshold : เกณฑ์ความเชื่อมั่นของการตรวจจับ YOLO

  • gpu : GPU ใช้เท่าไหร่ 0 หมายถึงใช้ CPU

  • track : เพื่อเปิดใช้งานการติดตามหรือไม่

  • trackObj : วัตถุใดที่จะติดตามเป็นรายการ (สังเกตว่า encoder ของ Deep_sort ได้รับการฝึกฝนเกี่ยวกับผู้คนเท่านั้นดังนั้นคุณต้องฝึกอบรมตัวเข้ารหัสของคุณเองข้อมูลเพิ่มเติมที่นี่)

  • saveVideo : ไม่ว่าจะบันทึกวิดีโอหรือไม่

  • BK_MOG : เพิ่มโมดูลการลบพื้นหลัง MOG ของ OpenCV มีประโยชน์เฉพาะเมื่อ YOLO ไม่สามารถตรวจจับคนในวิดีโอ (คุณภาพต่ำ ... ) ใช้เพื่อตรวจจับกล่องรอบวัตถุที่เคลื่อนที่

  • tracker : ตัวติดตามใดที่จะใช้: "deep_sort" หรือ "เรียงลำดับ" 

          **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 : ข้ามเฟรมเพื่อเพิ่ม FPS อาจลดความแม่นยำ!

  • csv : บันทึกไฟล์ csv ของการตรวจจับในรูปแบบ (frame_id, object_id, x, y, w, h)

  • display : แสดงวิดีโอขณะประมวลผลหรือไม่

ต่อไปคุณแค่ต้องใช้ python run.py และสนุก!

ตัวเลขบางอย่าง:

`ความเร็วในการใช้ 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

การทดสอบทำบน (1024, 1280, 3) วิดีโอความละเอียดบน Nvidia GTX 1080

การข้ามไปถึง 3 เฟรมช่วยให้เพิ่มความเร็วได้มากขึ้นในขณะที่รักษาความถูกต้องของการติดตาม '

Displamer:

โครงการนี้ใช้ Code Forked จาก:

thtrieu/darkflow: สำหรับการตรวจจับวัตถุแบบเรียลไทม์และการจำแนกประเภท

nwojke/deep_sort: สำหรับการติดตามแบบเรียลไทม์ออนไลน์อย่างง่ายด้วยตัวชี้วัดการเชื่อมโยงลึก

โปรดติดตามลิงก์เพื่อทำความเข้าใจกับคุณสมบัติทั้งหมดของแต่ละโครงการ

การอ้างอิง

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}
}

เรียงลำดับ : 

 @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}
}
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด