更新版yolov5_deepsort_pytorch实现目标检测和跟踪

由于mikel-brostrom在github上发布的Yolov5_DeepSort_Pytorch更新，使整个代码封装性更好，进而允许采用多种REID特征识别模型，完善了deepsort在检测跟踪方面的性能。本博文记录如何使用此版本Yolov5_DeepSort_Pytorch的过程，同时给出ZQPei REID模型的修改方法，以适应mikel-brostrom更新版本。

使用Yolov5_DeepSort_Pytorch默认的osnet REID实现跟踪track.py

Yolov5_DeepSort_Pytorch中包含了两个链接目录yolov5和reid，不能一次性把github中的代码克隆下来，因此，需分别将三个github代码克隆到本地。
Yolov5_DeepSort_Pytorch:

git clone https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch

Yolov5:

git clone https://github.com/ultralytics/yolov5

REID:

git clone https://github.com/KaiyangZhou/deep-person-reid

假定你的deepsort目录为your_dir，是第一个克隆下来的目录。第二个克隆目录是yolov5，将yolov5目录放在your_dir目录下，即your_dir/yolov5。第三个克隆目录是reid，放到your_dir/deep_sort/deep目录下，your_dir/deep_sort/deep/reid。
假定已经安装了conda和虚拟环境，且安装好运行Yolov5_DeepSort_Pytorch所需的模块。进入reid目录，运行

python setup.py develop

如此，即安装好KaiyangZhou的REID环境。
下载yolov5模型权重，放入目录your_dir/yolov5/weights
从KaiyangZhou的github中，Model zoo里下载权重文件，例如osnet_x1_0.pth，放到checkpoint目录：your_dir/deep_sort/deep/checkpoint。

（1）修改deep_sort/configs/deep_sort.yaml

DEEPSORT:
  MODEL_TYPE: "osnet_x1_0"    
  REID_CKPT:  '~/your_dir/deep_sort/deep/checkpoint/osnet_x1_0_imagenet.pth'
  MAX_DIST: 0.1# 0.2 The matching threshold. Samples with larger distance are considered an invalid match
  MAX_IOU_DISTANCE: 0.7# 0.7 Gating threshold. Associations with cost larger than this value are disregarded.
  MAX_AGE: 90# 30 Maximum number of missed misses before a track is deleted
  N_INIT: 3# 3  Number of frames that a track remains in initialization phase
  NN_BUDGET: 100# 100 Maximum size of the appearance descriptors gallery
  MIN_CONFIDENCE: 0.75
  NMS_MAX_OVERLAP: 1.0

这里，增加REID_CKPT，把某些参数设置放到yaml文件中，尽可能减少track.py命令行中的输入参数。

（2）修改track.py中DeepSort类实例的参数定义

deepsort = DeepSort(    cfg.DEEPSORT.MODEL_TYPE,
                        cfg.DEEPSORT.REID_CKPT,# 添加checkpoint路径
                        device,
                        max_dist=cfg.DEEPSORT.MAX_DIST,
                        max_iou_distance=cfg.DEEPSORT.MAX_IOU_DISTANCE,
                        max_age=cfg.DEEPSORT.MAX_AGE, 
                        n_init=cfg.DEEPSORT.N_INIT, 
                        nn_budget=cfg.DEEPSORT.NN_BUDGET,)

此处增加了一个reid权重文件路径参数，故也需在DeepSort类定义中增加该参数model_path，修改deep_sort/deep_sort.py，

__init__()

classDeepSort(object):def__init__(self, model_type, model_path, device, max_dist=0.2, min_confidence=0.3, nms_max_overlap=1.0, max_iou_distance=0.7, max_age=70, n_init=3, nn_budget=100, use_cuda=True):
        self.min_confidence = min_confidence
        self.nms_max_overlap = nms_max_overlap
        self.extractor = FeatureExtractor(
            model_name=model_type,
            model_path = model_path,
            device=str(device))
        max_cosine_distance = max_dist
        metric = NearestNeighborDistanceMetric("cosine", max_cosine_distance, nn_budget)
        self.tracker = Tracker(
            metric, max_iou_distance=max_iou_distance, max_age=max_age, n_init=n_init)

注：mikel好像又改了有关model_path的引入方法，我感觉太复杂，故还是用以上的修改办法，其目的就是从deep_sort/deep/checkpoint中找到权重文件路径，避免从网上下载权重文件，或者从本地缓存.torch中去找权重。

（3）运行deepsort跟踪程序，命令行选项中给出一种比较全的选项

python track.py --yolo_model ~/your_dir/yolov5/weights/yolov5s.pt \   // yolov5权文件
                --source  ~/your_dir/video_demo.mp4 \           // 输入视频文件
                --show-vid \            // 显示跟踪视频
                --classes 02\           // 0= 行人类别， 2=小汽车类别。
                --save-txt    \           // 输出兼容MOT16格式文件
                --save-vid  \           // 保存跟踪视频

其中，classes 0 表示yolov5检测对象为行人，类型号0。

更改ZQPei REID模型文件

此模型文件命名为model_ZQP.py，放入目录 deep_sort/deep/reid/torchreid/models
模型更改只需添加一个定义函数 def ZQP()

import torch
import torch.nn as nn
import torch.nn.functional as F
classBasicBlock(nn.Module):def__init__(self, c_in, c_out, is_downsample=False):super(BasicBlock, self).__init__()
        self.is_downsample = is_downsample
        if is_downsample:
            self.conv1 = nn.Conv2d(
                c_in, c_out,3, stride=2, padding=1, bias=False)else:
            self.conv1 = nn.Conv2d(
                c_in, c_out,3, stride=1, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(c_out)
        self.relu = nn.ReLU(True)
        self.conv2 = nn.Conv2d(c_out, c_out,3, stride=1,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(c_out)if is_downsample:
            self.downsample = nn.Sequential(
                nn.Conv2d(c_in, c_out,1, stride=2, bias=False),
                nn.BatchNorm2d(c_out))elif c_in != c_out:
            self.downsample = nn.Sequential(
                nn.Conv2d(c_in, c_out,1, stride=1, bias=False),
                nn.BatchNorm2d(c_out))
            self.is_downsample =Truedefforward(self, x):
        y = self.conv1(x)
        y = self.bn1(y)
        y = self.relu(y)
        y = self.conv2(y)
        y = self.bn2(y)if self.is_downsample:
            x = self.downsample(x)return F.relu(x.add(y),True)defmake_layers(c_in, c_out, repeat_times, is_downsample=False):
    blocks =[]for i inrange(repeat_times):if i ==0:
            blocks +=[BasicBlock(c_in, c_out, is_downsample=is_downsample),]else:
            blocks +=[BasicBlock(c_out, c_out),]return nn.Sequential(*blocks)classNet(nn.Module):def__init__(self, num_classes=751, pretrained=True, loss ='softmax',**kwargs):# market1501=751, dukemtmcreid=702super(Net, self).__init__()# Net# 3 128 64
        self.conv = nn.Sequential(
            nn.Conv2d(3,64,3, stride=1, padding=1),
            nn.BatchNorm2d(64),
            nn.ELU(inplace=True),)
        self.layer1 = make_layers(64,64,2,False)
        self.layer2 = make_layers(64,128,2,True)
        self.layer3 = make_layers(128,256,2,True)
        self.layer4 = make_layers(256,512,2,True)#self.avgpool = nn.AvgPool2d((8,4),1)
        self.adaptiveavgpool = nn.AdaptiveAvgPool2d(1)
        self.classifier = nn.Sequential(
            nn.Linear(512,256),
            nn.BatchNorm1d(256),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(256, num_classes),)defforward(self, x):
        x = self.conv(x)
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)#x = self.avgpool(x)
        x = self.adaptiveavgpool(x)#
        x = x.view(x.size(0),-1)# B x 128ifnot self.training:
            x = x.div(x.norm(p=2,dim=1,keepdim=True))return x
        # classifier
        x = self.classifier(x)return x
defZQP(num_classes=751, pretrained=True, loss='softmax',**kwargs):
    model = Net(
        num_classes=num_classes, 
        pretrained = pretrained,
        loss ='softmax',**kwargs
    )return model
if __name__ =='__main__':
    net = Net(pretrained=True)# Net
    x = torch.randn(4,3,256,256)# 128, 64
    y = net(x)

下面将模型ZQP添加到REID的定义文件中

deep_sort/deep/reid/torchreid/models/__init__.py

中引入ZQP模型文件，添加：

from.model_ZQP import*

在字典__model_factory中添加模型名称ZQP:

__model_factory ={# image classification models'resnet18': resnet18,'resnet34': resnet34,'resnet50': resnet50,......'ZQP': ZQP

现在，只要修改deep_sort/configs/deep_sort.yaml中的MODEL_TYPE和REID_CKPT路径，就可运行ZQPei的reid模型ckpt.t7。

  MODEL_TYPE: "ZQP"    
  REID_CKPT:  '~/your_dir/deep_sort/deep/checkpoint/ckpt.t7'

另外，由于ZQPei reid模型训练中resize为128x64（hxw），故需修改deep_sort/deep/reid/torchreid/utils/feature_extractor.py中的image_size

def__init__(
        self,
        model_name='',
        model_path='',
        image_size=(128,64),#(256, 128)  (h, w)
        pixel_mean=[0.485,0.456,0.406],
        pixel_std=[0.229,0.224,0.225],
        pixel_norm=True,
        device='cuda',
        verbose=True):

至此，我们完成了添加ZQP reid模型到KaiyangZhou REID模型中的整个过程，并可以用同样的命令行参数，运行track.py

reid模型训练

deepsort中有两个神经网络模型，一个是目标检测模型yolov5，另一个是特征识别模型reid。yolov5模型训练有很多文章可参考，省略，此处侧重谈谈reid模型的训练。KaiyangZhou给出识别行人特征的reid模型训练方法，训练程序deep_sort/deep/reid/scripts/main.py。
训练可分别采用两个数据集:Market-1501和DukeMTMC-reID。
Market-1501数据集：
训练数据集”bounding_box_train“有751个行人ID，包含 12,936 张图像，平均每人有17.2张训练数据；
测试集“bounding_box_test”有750个行人ID，包含19,732张图像，平均每人有26.3张测试数据。
查询集gally从测试集中挑选出750个行人在6个摄像头下的图片，共3368 张查询图像。
dukemtmc-reid数据集：
“bounding_box_test”——用于测试集的 702 人，包含 17,661 张图像（随机采样，702 ID + 408 distractor ID）
“bounding_box_train”——用于训练集的 702 人，包含 16,522 张图像（随机采样）
“query”——为测试集中的 702 人在每个摄像头中随机选择一张图像作为 query，共有 2,228 张图像
只要从网上下载这两个数据集，使用其安排好的目录结构无需更改，只要指出数据集的根目录。
以下给出ZQPei模型在dukemtmc-reid数据集的训练方法
构造配置文件：deep_sort/deep/reid/configs/ZQP_128x64.yaml

model:
  name:'ZQP'
  pretrained:True#True
data:type:'image'
  sources:['dukemtmcreid']
  targets:['dukemtmcreid']# market1501,  dukemtmcreid
  height:128
  width:64
  combineall:False
  transforms:['random_flip']#random_flip random_erase  color_jitter
  save_dir:'deep_sort/deep/reid/log/ZQP'
loss:
  name:'softmax'
  softmax:
    label_smooth:True
train:
  optim:'amsgrad'
  lr:0.0015
  max_epoch:40#150
  batch_size:64
  fixbase_epoch:10#10
  open_layers:['classifier']#'classifier'
  lr_scheduler:'cosine'# stepsize: [60]
test:
  batch_size:300
  dist_metric:'euclidean'
  normalize_feature:False
  evaluate:False#test only
  eval_freq:-1
  rerank:False

运行训练程序main.py

python main.py \
    --config-file  deep_sort/deep/reid/configs/ZQP_128x64.yaml   \
    --root  ~/your_datasets/dukemtmc_reid   \
    model.load_weights ~/your_dir/deep_sort/deep/checkpoint/ckpt.t7

这里，在配置文件ZQP_128x64.yaml中pretrained = True，表示需加载预先训练的权重ckpt.t7。如果从头开始训练，则pretrained = False，并在命令行中删除model.load_weights项。命令行指定配置文件ZQP_128x64.yaml，数据集根目录dukemtmc_reid。
此外，采用dukemtmc训练数据集行人ID数为702，所以，需更改特征类型为702, 即模型文件model_ZQP.py中num_classes=702。

数据集目录组成应为：
~/your_datasets/dukemtmc_reid/dukemtmc-reid/DukeMTMC-reID/bounding_box_test, bounding_box_train, query
用逗号分开的项目表示在DukeMTMC-reID目录下有三个子目录bounding_box_test、bounding_box_train和query。

用自己的数据集训练reid

要利用KaiyangZhou reid训练程序，需要将数据集构造成market-1501的结构形式，即bounding_box_train, bounding_box_test, guery。
下面是一个例子，用veri-wild提供的小汽车数据集来构造符合market-1501构成形式的数据集。
veri-wild提供了包含40多万张4万辆汽车的id图片，每个汽车ID目录下有多张不同摄像机和不同时刻获取的汽车图片。假定选择800个汽车ID组成训练集，另外800个汽车ID组成测试集，从测试集中取出每个汽车ID在每个摄像头下的图片，组成query。
（1）从veri-wild中分别抽取800个ID放入train_800和test_800，每个ID的图片在20-30张之间。
（2）对train_800和test_800图片进行resize，压缩数据集容量。
（3）按照market-1501文件命名规则更改数据集图片名称，并从test数据集挑选图片放入query。
由此，仿照market-1501构成训练reid的小汽车数据集，进行汽车特征的reid特征识别模型。

参考程序如下：

import os
from shutil import copyfile, copytree, rmtree
from torch.functional import broadcast_shapes
from PIL import Image
import matplotlib.pyplot as plt
import random
import shutil
defget_cam_n(f_list):# 构造列表[file_name, camera_ID]，列表抽取，每个camera_ID只取一项。
    A =[]for cam_n inrange(1,7):for j inrange(len(f_list)):
            B = f_list[j][1]if(f_list[j][1]== cam_n):
                A.append(f_list[j])breakreturn A
defmake_fileprefix(src_dir, tar_dir, gallary_dir):# src_dir 带ID子目录的数据集目录，ID子目录下是同一ID的图片。for subdir in os.listdir( src_dir ):# ID子目录名称
        src=src_dir+"/"+subdir
        f_list =[]for file_name in os.listdir(src):# 提取ID子目录内文件名称
            fileprefix= os.path.splitext(file_name)[0]
            cam_n = random.randint(1,6)
            A1=[fileprefix, cam_n]
            f_list.append(A1)
            file_name1 = subdir+"_c"+str( cam_n)+"_f"+    fileprefix +".jpg"
            copyfile(src+"/"+file_name, tar_dir+"/"+file_name1)#将各子目录文件添加prefix，拷贝到一个目标文件夹tar_dirprint("copyfile: ", file_name1)
        f_cam=get_cam_n(f_list)# 列表[file_name, camera_ID]，每个camera_ID只有一张图片。for i inrange(len(f_cam)):# 从 test中抽取图片到query
            file_prefix = f_cam[i][0]
            cam_n = f_cam[i][1]
            file_name1 = subdir+"_c"+str( cam_n)+"_f"+    file_prefix +".jpg"
            file_name0 = src+"/"+file_prefix+'.jpg'
            copyfile(file_name0, gallary_dir+"/"+file_name1)#将各子目录文件添加prefix，拷贝到一个目标文件夹tar_dirreturndefimage_resize(src_dir, tar_dir):for subdir in os.listdir( src_dir ):# ID子目录名称
        src=src_dir+"/"+subdir
        tar_ID_dir=tar_dir+"/"+subdir
        if  os.path.isdir(tar_ID_dir):
            rmtree(tar_ID_dir)
        os.mkdir(tar_ID_dir)for file_name in os.listdir(src):# 提取ID子目录中文件名称
            img=Image.open(src+"/"+file_name)
            w, h =img.size
        #img.show()
            imax =max(h,w)if imax <280:
                copyfile(src+"/"+file_name, tar_ID_dir+"/"+file_name)else:
                rate_hw =280/imax
                w,h =int(rate_hw*w),int(rate_hw*h)
                new_img = img.resize((w, h),Image.BILINEAR)#new_img.show()
                new_img.save(tar_ID_dir+"/"+file_name)print(tar_ID_dir+"/"+file_name)returnif __name__ =='__main__':
    src_dir ="~/your_datasets/resize/train_800"
    tar_dir ="~/your_datasets/train_box"if  os.path.isdir(tar_dir):
        rmtree(tar_dir)
    os.mkdir(tar_dir)
    gallary_dir ="your_datasets/resize/gallary"if  os.path.isdir(gallary_dir):
        rmtree(gallary_dir)
    os.mkdir(gallary_dir)
    make_fileprefix(src_dir, tar_dir, gallary_dir)

标签： pytorch 深度学习神经网络

本文转载自: https://blog.csdn.net/weixin_44238733/article/details/123805195
版权归原作者 王定邦 所有，如有侵权，请联系我们删除。

更新版yolov5_deepsort_pytorch实现目标检测和跟踪

使用Yolov5_DeepSort_Pytorch默认的osnet REID实现跟踪track.py

更改ZQPei REID模型文件

reid模型训练

用自己的数据集训练reid

发表评论

“更新版yolov5_deepsort_pytorch实现目标检测和跟踪”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航