点击上方“AI算法与图像处理”，选择加"星标"或“置顶”html
重磅干货，第一时间送达
python
本文分享利用yolov4+deepsort实现目标跟踪，主要是讲解如何使用，具体原理能够根据文中的参考资料更加深刻学习。目前主流的趋势是将算法更加易用，让更多人感觉到视觉的魅力，也能让更多有意向从事这个领域的人才进入。但受限于某些客观的限制，好比github下载容易失败，谷歌网盘没法下载等，让部分人不得不退却。 git
所以，我想个人分享的价值就在于感觉视觉魅力的“最后一千米”。github
完整的权重文件和项目都放在后台了，回复“yolov4” 便可获取。web
欢迎分享，帮助更多的小伙伴！
算法
使用YOLOv四、DeepSort和TensorFlow实现的目标跟踪。YOLOv4是一种很是优秀的算法，它使用深卷积神经网络来执行目标检测。更详细的介绍能够参考以前文章。swift
吊打一切的YOLOv4的tricks汇总！附参考论文下载微信
今天分享的内容是将YOLOv4的输出输入到Deep-SORT（Simple Online and Realtime Tracking with a Deep Association Metric），以建立一个高精度的目标跟踪器。网络
demo效果展现：app
开始实操
一、克隆项目
git clone https://github.com/theAIGuysCode/yolov4-deepsort.git
二、环境配置
从github项目的requirements-gpu.txt 文件咱们能够知道所须要的依赖文件内容（这里以GPU版本为例，也能够选择安装requirements.txt ）：
tensorflow-gpu==2.3.0rc0
opencv-python==4.1.1.26
lxml
tqdm
absl-py
matplotlib
easydict
pillow
强烈建议使用conda 建立虚拟环境避免污染其余环境
# 建立虚拟环境
conda create xxx
# 激活虚拟环境
# 安装依赖，这里使用的TensorFlow 2
pip install -r requirements-gpu.txt
PS：建议使用的 cuda 版本是 10.1
可能存在的问题，tensorflow和opencv下载太慢
# 经过指定源来下载https://www.cnblogs.com/whw1314/p/11748096.html
# 以pip 安装 tensorflow-gpu==2.3.0rc0 为例：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ --upgrade tensorflow-gpu==2.3.0rc0
三、预训练模型下载
咱们的目标跟踪器使用 YOLOv4 进行目标检测，而后使用 deep sort 进行跟踪。这里提供官方的 YOLOv4 目标检测模型 做为预训练模型，该模型可以检测 80 类物体。
为了便于演示，咱们将使用预训练的权重做为咱们的跟踪器。下载预训练的yolov4.weights文件：
https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT
将下载好的权重文件复制到 data 文件夹下。
PS:若是你向使用 yolov4-tiny.weights,一个更小的模型，运行更快但精度略低一些，能够在这里下载
https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.weights
使用 YOLOv4 运行跟踪器
为了将 YOLOv4 应用到目标跟踪上，首先咱们须要将权重文件转换 成对应的TensorFlow 模型，并将保存到 checkpoints 文件夹中。而后咱们须要运行 object_tracker.py 来实现目标跟踪。
# Convert darknet weights to tensorflow model
python save_model.py --model yolov4
# Run yolov4 deep sort object tracker on video
python object_tracker.py --video ./data/video/test.mp4 --output ./outputs/demo.avi --model yolov4
# Run yolov4 deep sort object tracker on webcam (set video flag to 0)
python object_tracker.py --video 0 --output ./outputs/webcam.avi --model yolov4
--output 后面接的是目标跟踪输出结果视频文件的存储路径。
固然若是你但愿使用YOLOv4-Tiny 能够参考下面的操做
使用 YOLOv4-Tiny 运行跟踪器
下面的命令将能够运行yolov4-tiny模型。Yolov4-tiny容许你得到一个更高的速度(FPS)的跟踪器，但可能在精度上有一点损失。确保你已经下载了权重文件，并将其添加到“data”文件夹中。
# save yolov4-tiny model
python save_model.py --weights ./data/yolov4-tiny.weights --output ./checkpoints/yolov4-tiny-416 --model yolov4 --tiny
# Run yolov4-tiny object tracker
python object_tracker.py --weights ./checkpoints/yolov4-tiny-416 --model yolov4 --video ./data/video/test.mp4 --output ./outputs/tiny.avi --tiny
输出结果
如上所述，生成的视频将保存到设置 --output 命令行标志路径的位置。这里把它设置为保存到‘output’文件夹。你也能够经过调整--output_format标志来改变保存的视频类型，默认状况下它被设置为AVI编解码器，也就是XVID。
示例视频显示跟踪全部coco数据集类:
目标跟踪器跟踪的类别
默认状况下，代码被设置为跟踪coco数据集中的全部80个类，这是预先训练好的YOLOv4模型所使用的。可是，能够简单地调整几行代码，以跟踪80个类中的任意一个或任意一个组合。只选择最多见的person类或car类很是容易。
要自定义选择的类，所须要作的就是注释掉object_tracker.py的第159行和第162行allowed_classes列表，并须要添加想要跟踪的任何类。这些类能够是模型训练的80个类中的任何一个，能够在data/classes/ cocoa .names文件中看有那些跟踪类
这个示例将容许跟踪person和car的类。
目标跟踪demo将跟踪的类别设置为“person”
目标跟踪demo将跟踪的类别设置为“car”
命令行参数参考
save_model.py: --weights: path to weights file (default: './data/yolov4.weights') --output: path to output (default: './checkpoints/yolov4-416') --[no]tiny: yolov4 or yolov4-tiny (default: 'False') --input_size: define input size of export model (default: 416) --framework: what framework to use (tf, trt, tflite) (default: tf) --model: yolov3 or yolov4 (default: yolov4) object_tracker.py: --video: path to input video (use 0 for webcam) (default: './data/video/test.mp4') --output: path to output video (remember to set right codec for given format. e.g. XVID for .avi) (default: None) --output_format: codec used in VideoWriter when saving video to file (default: 'XVID) --[no]tiny: yolov4 or yolov4-tiny (default: 'false') --weights: path to weights file (default: './checkpoints/yolov4-416') --framework: what framework to use (tf, trt, tflite) (default: tf) --model: yolov3 or yolov4 (default: yolov4) --size: resize images to (default: 416) --iou: iou threshold (default: 0.45) --score: confidence threshold (default: 0.50) --dont_show: dont show video output (default: False) --info: print detailed info about tracked objects (default: False)
参考资料
tensorflow-yolov4-tflite：https://github.com/hunglc007/tensorflow-yolov4-tflite
Deep SORT Repository：
https://github.com/nwojke/deep_sort
https://github.com/theAIGuysCode/yolov4-deepsort
下载1：OpenCV黑魔法
在「AI算法与图像处理」公众号后台回复：OpenCV黑魔法，即可下载小编精心编写整理的计算机视觉趣味实战教程
下载2 CVPR2020
在「AI算法与图像处理」公众号后台回复： CVPR2020 ，便可下载1467篇CVPR 2020论文 我的微信（若是没有备注不拉群！） 请注明： 地区+学校/企业+研究方向+昵称
以为有趣就点亮在看吧
本文分享自微信公众号 - AI算法与图像处理（AI_study）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。