點擊上方「AI算法與圖像處理」，選擇加"星標"或「置頂」html
重磅乾貨，第一時間送達
python
本文分享利用yolov4+deepsort實現目標跟蹤，主要是講解如何使用，具體原理能夠根據文中的參考資料更加深刻學習。目前主流的趨勢是將算法更加易用，讓更多人感覺到視覺的魅力，也能讓更多有意向從事這個領域的人才進入。但受限於某些客觀的限制，好比github下載容易失敗，谷歌網盤沒法下載等，讓部分人不得不退卻。 git
所以，我想個人分享的價值就在於感覺視覺魅力的「最後一千米」。github
完整的權重文件和項目都放在後臺了，回覆「yolov4」 便可獲取。web
歡迎分享，幫助更多的小夥伴！
算法
使用YOLOv四、DeepSort和TensorFlow實現的目標跟蹤。YOLOv4是一種很是優秀的算法，它使用深卷積神經網絡來執行目標檢測。更詳細的介紹能夠參考以前文章。swift
吊打一切的YOLOv4的tricks彙總！附參考論文下載微信
今天分享的內容是將YOLOv4的輸出輸入到Deep-SORT（Simple Online and Realtime Tracking with a Deep Association Metric），以建立一個高精度的目標跟蹤器。網絡
demo效果展現：app
開始實操
一、克隆項目
git clone https://github.com/theAIGuysCode/yolov4-deepsort.git
二、環境配置
從github項目的requirements-gpu.txt 文件咱們能夠知道所須要的依賴文件內容（這裏以GPU版本爲例，也能夠選擇安裝requirements.txt ）：
tensorflow-gpu==2.3.0rc0
opencv-python==4.1.1.26
lxml
tqdm
absl-py
matplotlib
easydict
pillow
強烈建議使用conda 建立虛擬環境避免污染其餘環境
# 建立虛擬環境
conda create xxx
# 激活虛擬環境
# 安裝依賴，這裏使用的TensorFlow 2
pip install -r requirements-gpu.txt
PS：建議使用的 cuda 版本是 10.1
可能存在的問題，tensorflow和opencv下載太慢
# 經過指定源來下載https://www.cnblogs.com/whw1314/p/11748096.html
# 以pip 安裝 tensorflow-gpu==2.3.0rc0 爲例：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ --upgrade tensorflow-gpu==2.3.0rc0
三、預訓練模型下載
咱們的目標跟蹤器使用 YOLOv4 進行目標檢測，而後使用 deep sort 進行跟蹤。這裏提供官方的 YOLOv4 目標檢測模型 做爲預訓練模型，該模型可以檢測 80 類物體。
爲了便於演示，咱們將使用預訓練的權重做爲咱們的跟蹤器。下載預訓練的yolov4.weights文件：
https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT
將下載好的權重文件複製到 data 文件夾下。
PS:若是你向使用 yolov4-tiny.weights,一個更小的模型，運行更快但精度略低一些，能夠在這裏下載
https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.weights
使用 YOLOv4 運行跟蹤器
爲了將 YOLOv4 應用到目標跟蹤上，首先咱們須要將權重文件轉換 成對應的TensorFlow 模型，並將保存到 checkpoints 文件夾中。而後咱們須要運行 object_tracker.py 來實現目標跟蹤。
# 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 後面接的是目標跟蹤輸出結果視頻文件的存儲路徑。
固然若是你但願使用YOLOv4-Tiny 能夠參考下面的操做
使用 YOLOv4-Tiny 運行跟蹤器
下面的命令將能夠運行yolov4-tiny模型。Yolov4-tiny容許你得到一個更高的速度(FPS)的跟蹤器，但可能在精度上有一點損失。確保你已經下載了權重文件，並將其添加到「data」文件夾中。
# 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
輸出結果
如上所述，生成的視頻將保存到設置 --output 命令行標誌路徑的位置。這裏把它設置爲保存到‘output’文件夾。你也能夠經過調整--output_format標誌來改變保存的視頻類型，默認狀況下它被設置爲AVI編解碼器，也就是XVID。
示例視頻顯示跟蹤全部coco數據集類:
目標跟蹤器跟蹤的類別
默認狀況下，代碼被設置爲跟蹤coco數據集中的全部80個類，這是預先訓練好的YOLOv4模型所使用的。可是，能夠簡單地調整幾行代碼，以跟蹤80個類中的任意一個或任意一個組合。只選擇最多見的person類或car類很是容易。
要自定義選擇的類，所須要作的就是註釋掉object_tracker.py的第159行和第162行allowed_classes列表，並須要添加想要跟蹤的任何類。這些類能夠是模型訓練的80個類中的任何一個，能夠在data/classes/ cocoa .names文件中看有那些跟蹤類
這個示例將容許跟蹤person和car的類。
目標跟蹤demo將跟蹤的類別設置爲「person」
目標跟蹤demo將跟蹤的類別設置爲「car」
命令行參數參考
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)
參考資料
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
下載1：OpenCV黑魔法
在「AI算法與圖像處理」公衆號後臺回覆：OpenCV黑魔法，即可下載小編精心編寫整理的計算機視覺趣味實戰教程
下載2 CVPR2020
在「AI算法與圖像處理」公衆號後臺回覆： CVPR2020 ，便可下載1467篇CVPR 2020論文 我的微信（若是沒有備註不拉羣！） 請註明： 地區+學校/企業+研究方向+暱稱
以爲有趣就點亮在看吧
本文分享自微信公衆號 - AI算法與圖像處理（AI_study）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。