一文跑通Yolovx_ByteTrack并实现行人追踪

🔱下载 ByteTrack Github 资源

🔱修改代码

🔱安装要求 

⚠如果您要在GPU中运行Bytetrack，请执行以下步骤。⚠ 

 🔱两个代码的两端对齐

 📍yolox/data/data_auguments.py

 📍工具/demo_track.py 

🔱bytetrack的Downloas预训练文件 

 🔱Test视频文件

---

🔱下载 ByteTrack Github 资源

🔗 GitHub - ifzhang/ByteTrack: [ECCV 2022] ByteTrack: Multi-Object Tracking by Associating Every Detection Box 转存失败重新上传取消

or

git clone https://github.com/ifzhang/ByteTrack.git

🔱修改代码

set.py 近50条线路

只需在“r”后面添加编码='utf-8'即可。

  然后在提示符中输入以下内容

python setup.py develop

完成后，情况就是这样。

🔱安装要求 

pip install cython
pip install -e git+https://github.com/samson-wang/cython_bbox.git#egg=cython-bbox
pip install pycocotools
pip install -r requirements.txt

⚠如果您要在GPU中运行Bytetrack，请执行以下步骤。⚠ 

访问官方 Pytorch 以获取 cmd 来安装 CUDA 的 pytorch。 

🔗 

nvidia-smi

PS.如果您确定CUDA版本，则可以在此cmd中进行检查。

 🔱两个代码的两端对齐

 📍yolox/data/data_auguments.py

找到要替换的预程序函数，如下所示。

    def preproc(img, input_size, swap=(2, 0, 1)):
        if len(img.shape) == 3:
            padded_img = np.ones((input_size[0], input_size[1], 3), dtype=np.uint8) * 114
        else:
            padded_img = np.ones(input_size, dtype=np.uint8) * 114
 
        r = min(input_size[0] / img.shape[0], input_size[1] / img.shape[1])
        resized_img = cv2.resize(
            img,
            (int(img.shape[1] * r), int(img.shape[0] * r)),
            interpolation=cv2.INTER_LINEAR,
        ).astype(np.uint8)
        padded_img[: int(img.shape[0] * r), : int(img.shape[1] * r)] = resized_img
 
        padded_img = padded_img.transpose(swap)
        padded_img = np.ascontiguousarray(padded_img, dtype=np.float32)
        return padded_img, r

 📍工具/demo_track.py 

删除“self.rgb_means，self.std”

🔱bytetrack的Downloas预训练文件 

使用在 CrowdHuman、MOT17、Cityperson 和 ETHZ 上训练的模型， 下载地址如下表，表中指标在MOT17训练集上测试得到。

本文以最轻量的s版本为例，下载bytetrack_s_mot17.pth.tar文件，下载后在项目的根目录下新建models文件夹并将该文件放入其中。 

 🔱Test视频文件

代码：

python tools/demo_track.py video -f exps/example/mot/yolox_s_mix_det.py -c ./models/bytetrack_s_mot17.pth.tar --path ./videos/palace.mp4 --fp16 --fuse --save_result

其中部分选项符的含义如下。

• demo：任务类型，必选项，可选image、video和webcam
• -f：模型配置文件
• -c：模型文件
• --path：需要进行推理的文件路径
• --save_result：是否保存推理结果

        推理过程中会出现如下的日志，并在当前目录下生成YOLOX_outputs目录，推理生成的跟踪结果就在其中。 

 生成视频演示： 

完毕！

如果大家觉得有帮助的话！麻烦点赞+收藏喔，谢谢大家！