DeepSort模型训练

这是我参与8月更文挑战的第17天，活动详情查看：8月更文挑战

软硬件环境

ubuntu 18.04 64bit
GTX 1070Ti
anaconda with python 3.7
pytorch 1.6
cuda 10.1

前言

前文基于YOLOv5和DeepSort的目标跟踪介绍过利用YOLOv5和DeepSort来实现目标的检测及跟踪。不过原项目的模型中只包含常见的人，对于其它目标就无能为力了，本文就来训练自己的跟踪器来实现特定目标的跟踪。

至于YOLOv5检测模型的训练，参考前面的博文 YOLOv5模型训练。

Market 1501数据集

Market-1501数据集是在清华大学校园中采集，在夏天拍摄，于2015年构建并公开。它包括由6个摄像头(其中5个高清摄像头和1个低分辨率摄像头)拍摄到的1501个行人、32668个检测到的行人矩形框。每个行人至少有2个摄像头捕捉到，并且在一个摄像头中可能具有多张图像。训练集有751人，包含12936张图像，平均每个人有17.2张训练数据；测试集有750人，包含19732张图像，平均每个人有26.3张测试数据。3368张查询图像的行人检测矩形框是人工绘制的，而gallery中的行人检测矩形框则是使用DPM检测器检测得到的。

数据集目录结构

Market-1501-v15.09.15
├── bounding_box_test
├── bounding_box_train
├── gt_bbox
├── gt_query
├── query
└── readme.txt

包含四个文件夹

bounding_box_test: 用于测试
bounding_box_train: 用于训练
query: 有750个身份。我们为每个摄像机随机选择一个查询图像
gt_query: 包含实际标注。对于每个查询，相关图像被标记为“好”或“垃圾”。“垃圾”对搜索准确性没有任何影响。“垃圾”图像还包括与query相同的相机中的图像
gt_bbox: 手绘边框，主要用于判断DPM边界框是否良好

图片命名规则

以0001_c1s1_000151_01.jpg为例

0001表示每个人的标签编号，从0001到1501，共有1501个人
c1表示第一个摄像头(c是camera)，共有6个摄像头
s1 表示第一个录像片段(s是sequence)，每个摄像机都有多个录像片段
000151表示c1s1的第000151帧图片，视频帧率fps为25
01表示c1s1_001051这一帧上的第1个检测框，由于采用DPM自动检测器，每一帧上的行人可能会有多个，相应的标注框也会有多个。00则表示手工标注框

数据集下载地址：

链接：pan.baidu.com/s/1i9aiZx-E…
提取码：up8x

Market到底怎么组织

原始的数据集结构是这样的

Market-1501-v15.09.15
├── bounding_box_test
├── bounding_box_train
├── gt_bbox
├── gt_query
├── query
└── readme.txt

而bounding_box_train和bounding_box_test目录下就是具体的图片文件了，这里面并没有体现id。正确的做法是：将某个id(也就是某个人)的图片放在一个文件夹内，且以该id作为文件夹的名称。如将bounding_box_train下所有以0002开头的图片文件存放在文件夹0002下

market deepsort

bounding_box_test下的图片处理也是一样，test中有个id是-1，嗯？真没弄懂，但不影响训练。

market deepsort

针对上述的操作，写了个简单的脚本

import os
import sys
import shutil


if __name__ == '__main__':
    root = os.path.join(sys.argv[1], 'dataset')
    os.mkdir(root)
    train_dir = os.path.join(root, 'train')
    test_dir = os.path.join(root, 'test')
    os.mkdir(train_dir)
    os.mkdir(test_dir)

    # 处理train
    for file in os.listdir(os.path.join(sys.argv[1], 'bounding_box_train')):
        print(file)
        id = file.split('_')[0]
        if not os.path.exists(os.path.join(train_dir, id)):
            os.mkdir(os.path.join(train_dir, id))
        else:
            shutil.copy(os.path.join(sys.argv[1], 'bounding_box_train', file), os.path.join(train_dir, id))

    # 处理test
    for file in os.listdir(os.path.join(sys.argv[1], 'bounding_box_test')):
        id = file.split('_')[0]
        if not os.path.exists(os.path.join(test_dir, id)):
            os.mkdir(os.path.join(test_dir, id))
        else:
            shutil.copy(os.path.join(sys.argv[1], 'bounding_box_test', file), os.path.join(test_dir, id))

使用方法

python test.py Market-1501-v15.09.15

脚本执行结束后，会在Market-1501-v15.09.15下生成文件夹dataset，文件结构是这样的

dataset/
├── train
    ├── 0002
    ├── 0007
    ├── 0010
    ├── 0011
    ├── 0012
    ├── 0020
    ├── 0022

├── test
    ├── 0000
    ├── 0001
    ├── 0003
    ├── 0004
    ├── 0005
    ├── 0006
    ├── 0008
    ├── 0009

这样就生成了一份可直接训练的数据集，而原有的也不会被破坏。