MOT跟踪评估执行用例

MOT多目标跟踪评价指标代码py-motmetrics 前言 先看两篇文章:多目标跟踪评价指标介绍1,多目标跟踪评价指标介绍2,MOT数据集格式介绍。 MOT的格式,例如gt.txt: 1,0,1255,50,71,119,1,1,1 2,0,1254,51,71,119,1,1,1 3,0,1253,52,71,119,1,1,1 ... 例如test.txt: 1,1,1240.0,40.0,120.0,96.0,0.999998,-1,-1,-1 2,1,1237.0,43.0,119.0,96.0,0.999998,-1,-1,-1 3,1,1237 阅读详情

1.安装motmetrics

使用命令pip install motmetrics安装,如果安装不上,可以进入其网址直接下载轮子安装https://pypi.org/project/motmetrics/。
也可下载github代码后,通过setup.py安装。github代码py-motmetrics。
setup.py安装命令如下:

#打开cmd,到达安装目录,执行安装
python setup.py build
python setup.py install

2.评估算法调用

2.1准备测试数据

创建一个测试数据存放的文件夹,我的文件夹为py_motmetrics/yourdata,gt数据与测试数据存放目录结构为

gtfiles = ['yourdata/test1/gt/gt.txt',
           'yourdata/test2/gt/gt.txt',]
tsfiles = ['yourdata/test1.txt',
           'yourdata/test2.txt',]

数据存储格式参考MOT16,评价指标说明参考详解MOT多目标跟踪评价指标及计算代码。
官方给出的评价为
在这里插入图片描述

2.2执行评估程序

找到安装路径下的D:\Anaconda3\envs\deploy\Lib\site-packages\motmetrics-1.4.0-py3.8.egg\motmetrics\apps\eval_motchallenge.py文件,复制出来,我修改了txt的读取目录,直接写死,将txt内容加载至字典时,其中min_confidence值错误,改为min_confidence=-1,因为我在采用MOT16数据集的gt.txt做为测试结果与自己做比较时,发现mota的结果为负,就是这里错误。

 gt = OrderedDict([(Path(f).parts[-3], mm.io.loadtxt(f, fmt=args.fmt, min_confidence=-1)) for f in gtfiles])

完整py文件如下:

# py-motmetrics - Metrics for multiple object tracker (MOT) benchmarking.
# https://github.com/cheind/py-motmetrics/
#
# MIT License
# Copyright (c) 2017-2020 Christoph Heindl, Jack Valmadre and others.
# See LICENSE file for terms.

"""Compute metrics for trackers using MOTChallenge ground-truth data."""

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
from collections import OrderedDict
import glob
import logging
import os
from pathlib import Path

import motmetrics as mm


def parse_args():
    """Defines and parses command-line arguments."""
    parser = argparse.ArgumentParser(description="""
Compute metrics for trackers using MOTChallenge ground-truth data.

Files
-----
All file content, ground truth and test files, have to comply with the
format described in

Milan, Anton, et al.
"Mot16: A benchmark for multi-object tracking."
arXiv preprint arXiv:1603.00831 (2016).
https://motchallenge.net/

Structure
---------

Layout for ground truth data
    <GT_ROOT>/<SEQUENCE_1>/gt/gt.txt
    <GT_ROOT>/<SEQUENCE_2>/gt/gt.txt
    ...

Layout for test data
    <TEST_ROOT>/<SEQUENCE_1>.txt
    <TEST_ROOT>/<SEQUENCE_2>.txt
    ...

Sequences of ground truth and test will be matched according to the `<SEQUENCE_X>`
string.""", formatter_class=argparse.RawTextHelpFormatter)

    # parser.add_argument('groundtruths', type=str, help='Directory containing ground truth files.')
    # parser.add_argument('tests', type=str, help='Directory containing tracker result files')
    parser.add_argument('--loglevel', type=str, help='Log level', default='info')
    parser.add_argument('--fmt', type=str, help='Data format', default='mot15-2D')
    parser.add_argument('--solver', type=str, help='LAP solver to use for matching between frames.')
    parser.add_argument('--id_solver', type=str, help='LAP solver to use for ID metrics. Defaults to --solver.')
    parser.add_argument('--exclude_id', dest='exclude_id', default=False, action='store_true',
                        help='Disable ID metrics')
    return parser.parse_args()


def compare_dataframes(gts, ts):
    """Builds accumulator for each sequence."""
    accs = []
    names = []
    for k, tsacc in ts.items():
        if k in gts:
            logging.info('Comparing %s...', k)
            accs.append(mm.utils.compare_to_groundtruth(gts[k], tsacc, 'iou', distth=0.5))
            names.append(k)
        else:
            logging.warning('No ground truth for %s, skipping.', k)

    return accs, names


def main():
    # pylint: disable=missing-function-docstring
    args = parse_args()

    loglevel = getattr(logging, args.loglevel.upper(), None)
    if not isinstance(loglevel, int):
        raise ValueError('Invalid log level: {} '.format(args.loglevel))
    logging.basicConfig(level=loglevel, format='%(asctime)s %(levelname)s - %(message)s', datefmt='%I:%M:%S')

    if args.solver:
        mm.lap.default_solver = args.solver

    # gtfiles = glob.glob(os.path.join(args.groundtruths, '*/gt/gt.txt'))
    # tsfiles = [f for f in glob.glob(os.path.join(args.tests, '*.txt')) if not os.path.basename(f).startswith('eval')]


    os.chdir(r"F:\gittask\py_motmetrics")
    os.getcwd()
    gtfiles = ['yourdata/test1/gt/gt.txt',
               'yourdata/test2/gt/gt.txt',]
    tsfiles = ['yourdata/test1.txt',
               'yourdata/test2.txt',]

    logging.info('Found %d groundtruths and %d test files.', len(gtfiles), len(tsfiles))
    logging.info('Available LAP solvers %s', str(mm.lap.available_solvers))
    logging.info('Default LAP solver \'%s\'', mm.lap.default_solver)
    logging.info('Loading files.')


    gt = OrderedDict([(Path(f).parts[-3], mm.io.loadtxt(f, fmt=args.fmt, min_confidence=-1)) for f in gtfiles])
    ts = OrderedDict([(os.path.splitext(Path(f).parts[-1])[0], mm.io.loadtxt(f, fmt=args.fmt)) for f in tsfiles])




    mh = mm.metrics.create()
    accs, names = compare_dataframes(gt, ts)

    metrics = list(mm.metrics.motchallenge_metrics)
    if args.exclude_id:
        metrics = [x for x in metrics if not x.startswith('id')]

    logging.info('Running metrics')

    if args.id_solver:
        mm.lap.default_solver = args.id_solver
    summary = mh.compute_many(accs, names=names, metrics=metrics, generate_overall=True)
    print(mm.io.render_summary(summary, formatters=mh.formatters, namemap=mm.io.motchallenge_metric_names))
    logging.info('Completed')


if __name__ == '__main__':
    main()


有个小伙伴因为数据的特殊性,在计算距离时采用的欧式距离,做了如下修改,可参考github代码https://github.com/ddz16/py-motmetrics

在这里插入图片描述

eval_motchallenge.py 可同时计算多个数据集,也可写一个测试单独数据集的demo

import motmetrics as mm
import numpy as np
import os
#评价指标
metrics = list(mm.metrics.motchallenge_metrics)
#导入gt和ts文件
# gt_file="/path/to/gt/gt.txt"
# ts_file="/path/to/test/0000.txt"

gt_file = "./gt.txt"
ts_file = "./gt.txt"


gt=mm.io.loadtxt(gt_file, fmt="mot16", min_confidence=-1)
ts=mm.io.loadtxt(ts_file, fmt="mot16")
name=os.path.splitext(os.path.basename(ts_file))[0]
#计算单个acc
acc=mm.utils.compare_to_groundtruth(gt, ts, 'iou', distth=0.5)
mh = mm.metrics.create()
summary = mh.compute(acc, metrics=metrics, name=name)
print(mm.io.render_summary(summary, formatters=mh.formatters,namemap=mm.io.motchallenge_metric_names))

3.安装xmltodict

用例的运行依赖xmltodict,首先,需要安装xmltodict库。
可以使用pip来安装它,只需运行以下命令:

pip install xmltodict

如果安装失败,可下载代码安装,xmltodict github地址

4.安装 lap

conda install -c conda-forge lap

[使用说明]利用TrackEval项目评估自建数据集的跟踪效果/计算MOT评价指标 文章记录利用YOLOv5s_DeepSORT_PyTorch项目在自建数据集(视频)上的进行跟踪实验后,利用TrackEval项目评估跟踪效果,即MOT评价指标的实操过程。不包含MOT计算原理,和跟踪教程。 阅读详情

相关推荐

多目标跟踪MOT技术总结(持续更新)

对目前主流的MOT算法做一个大概的技术总结~

weixin_46084134的博客 1万+

如何使用py-motmetrics实现多目标检测评估

该项目已经在GitHub上开源,可以直接看源码,也可以直接用直接安装使用。在pypi上也可以看到这个库的介绍和基本使用方法。

deel123的博客 1909

CVPR2022 多目标跟踪(MOT)汇总

CVPR2022 MOT文章汇总

藏晖的博客 1万+

MOT:Metrics MOTA

简介: MOTChallenge是多目标跟踪领域最为常用的benchmark,其中2D MOT15,3D MOT15,MOT16,MOT17,MOT20都是多目标跟踪领域常用的数据集。 下面我们按照MOTChallenge中的评价标准进行介绍,当然MOTChallenge也主要参考《Evaluating Multiple Object Tracking Performance: The CLEAR MOT Metrics》 评价指标: 总结 CLEAR MOT Metrics认为一个好的多目标跟踪器应该有如

zhangxu 6085

别再只盯着MOTA了!手把手教你用YOLOX+ByteTrack复现MOT17数据集上的跟踪效果

本文详细介绍了如何使用YOLOX检测器和ByteTrack跟踪器在MOT17数据集上复现SOTA级别的多目标跟踪效果。从数据集准备、模型训练到参数调优和性能评估,提供完整的实战指南,帮助工程师快速实现高效的目标跟踪系统。

weixin_30952535的博客 401

【多目标跟踪】py-motmetrics如何计算目标跟踪的评价指标?

motmetrics是一个多目标跟踪评价指标的python计算库,第一次看到这个库是在FairMOT的代码中,由于里面封装的比较好,所以一直都没深入了解。 思考1:学习这个库的作用? 回答1:可以自行标注一些测试视频,实现自动化的对某些测试样本进行量化指标评价。能够降低日常性能测试时所花费的时间。 回答2:能够对多目标跟踪的有一个全面的认识,平常我们可能是拿到现有的标注好的数据直接评价,那如果要评价自己的数据,就需要从视频的标注、训练模型、量化测试整个流程通了。而且对于多目标跟踪的评价指标有更深入的认

聿默的博客 2478

【YOLO】YOLOv5+Deep Sort 实现MOT评估(开源数据集+自定义数据集)

引言 YOLOv5+Deep Sort 实现目标跟踪,并利用MOTChallengeEvalKit实现多目标跟踪结果的评估。 YOLOv5+Deep Sort 实现目标跟踪可以参考笔者的 实现步骤 1 安装MATLAB 安装MATLAB MATLAB是一款商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,主要包括MATLAB和Simulink两大部分,可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等,主要应用于工程计算、控制设计、信

qq_44703886的博客 6364

多目标跟踪MOT如何进行评估(MOTChallenge),TrackEval

MOT的官方评估方法

qq_43190806的博客 904

python版 MOTChallengeEvalKit 评估工具运行,运行MOT评估工具

@多目标跟踪MOT评估工具的使用 MOT官网 评估工具下载地址 https://github.com/dendorferpatrick/MOTChallengeEvalKit 下载跟踪后的结果results(以MOT17为例) 安装matlab2020a,网上有很多安装教程,可自行查找 因为要Python和matlab混编,故先创建环境。 目前matlab2020a最高支持python3.7版本,用conda创建python3.7环境 conda create -n python3.7 python=3

qq_39821101的博客 2478

py-motmetrics:在Python中对多个对象跟踪器(MOT)进行基准测试

py-motmetrics py-motmetrics库提供了Python的度量实现,用于对多个对象跟踪器(MOT)进行基准测试。 虽然对单个对象跟踪器进行基准测试非常简单,但是要测量多个对象跟踪器的性能,需要谨慎设计,因为可能会出现多个对应星座(请参见下图)。 过去已经提出了各种各样的方法,尽管在单一方法上没有普遍的共识,但是的方法近年来受到了相当多的关注。 py-motmetrics实现了这些。 图片由Bernardin,Keni和Rainer Stiefelhagen提供 尤其是py-motmetrics支持CLEAR-MOT 指标和ID 指标。 两种度量都试图在地面真实对象和预测之间找到最小成本分配。 但是,虽然CLEAR-MOT以局部每帧为单位解决分配问题,但ID-MEASURE通过找到所有帧上的对象和预测的最低成本来解决二部图匹配。 Ergys的这篇更详细地说明了这些差

MOTChallenge评价代码

主要适用于MOT17数据集

3分钟上手BoxMOT:MOT17数据集前半段评估全攻略

在智能监控、自动驾驶等领域,目标跟踪(Object Tracking)是核心技术之一。你是否还在为评估跟踪算法性能而烦恼?本文将以BoxMOT项目为例,手把手教你如何快速评估MOT17数据集前半部分,让你轻松掌握目标跟踪算法的评估技巧。读完本文,你将能够:使用BoxMOT的评估工具、配置MOT17数据集、运行评估命令并解读评估结果。 BoxMOT是一个为分割、目标检测和姿态估计模型提供可插拔的S...

gitblog_00286的博客 631

第5.1节 构网控制:电压源特性与电压调节

摘要: 构网型变流器的核心物理本质是作为可控交流电压源,通过戴维南等效模型(受控电势源+低输出阻抗)自主建立并调节电压,增强电网电压刚度。其电压调节通过无功-电压闭环控制实现,内环为自动电压调节器(AVR),外环为无功-电压下垂特性,模拟同步发电机功能。关键技术包括自适应增益、虚拟阻抗补偿及动态限流策略,以应对弱电网稳定性、故障过流等问题。该设计满足《规范》对电压调节范围、动态无功支撑的要求,是高比例新能源电力系统电压稳定的关键解决方案。

技术工作者 1110

多目标追踪小抄:快速了解MOT的基本概念

来源:Deephub Imba 本文共2400字,建议阅读5分钟本文介绍了MOT的基本概念。多目标跟踪(Multiple Object Tracking)MOT 获取单个连续视频并以特定帧速率 (fps) 将其拆分为离散帧以输出。检测每帧中存在哪些对象标注对象在每一帧中的位置关联不同帧中的对象是属于同一个对象还是属于不同对象MOT的典型应用多目标跟踪(MOT)用于交通控制...

数据派THU 1656

深度强化学习中的动作屏蔽(Action Masking)

在复杂环境中使用动作屏蔽,实现更好的训练效果

Kiek17的博客 5878

开源有限元dealii学习——step-1

#简介 dealii是一款开源的求解偏微分方程的有限元软件,它优点: 1.多种单元类型 2.可以自适应网格 3.文档和范例齐全 4.与其它库有良好的接口 5.使用c++编写 #安装 dealii可以在官网上或者github上下载源码,解压后进入源文件目录安装。 mkdir build cd build cmake -DCMAKE_INSTALL_PREFIX=/path/to/install...

weixin_42312251的博客 4386

如何使用TrackEval快速评估多目标跟踪算法性能?新手入门指南

TrackEval是一款专业的多目标跟踪(MOT)算法评估工具,支持HOTA等多种评估指标,能帮助开发者快速准确地衡量跟踪算法性能。本文将为新手提供一份全面的入门指南,带你轻松掌握TrackEval的安装与使用。 ## 一、TrackEval简介:为什么选择它? TrackEval作为多个权威跟踪基准(如MOTChallenge、RobMOTS)的官方评估代码,具有三大核心优势: - **指标

gitblog_02337的博客 964

PGM-Explainer实验总结

PGM-Explainer建立了一个概率图模型,为GNN提供实例级解释。 论文标题:PGM-Explainer: Probabilistic Graphical Model Explanations for Graph Neural Networks 论文地址:2010.05788.pdf (arxiv.org) PGM-Explainer实验 实验目的 研究PGM-Explainer的有效性 实验方案 合成数据集的节点分类 与其他解释器做对比实验 使用六个合成数据集。 每个输入图都是一个

笔记|思路|总结 1万+

多目标跟踪MOT rackFormer解读

此前已有TransTrack首开先河,我也对此做了解读,这篇TrackFormer也是基于Transformer做的MOT工作,也参考了DETR的思路,引入了track query来以自回归的方式跟踪目标,这个track query由DETR检测器生成并且随着时间集成了对应目标的位置信息,而Transformer的decode在帧之间调整track query,从而跟随了目标位置的变化。

480

银河麒麟硬盘健康检测:smartctl/badblocks实战与坏盘预判

xfs_repair检查。S.M.A.R.T检测。

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 862

【问题解决】解决 Python `PermissionError` 权限不足:文件/进程/端口全场景修复

本文总结了Python程序中常见的权限问题及解决方案,包括文件、进程和端口权限错误。文件权限问题通常由文件占用、权限不足或路径错误引起;进程问题多因权限不足或系统限制;端口问题则与端口占用、防火墙或特权端口相关。解决方案提供了详细的代码实现:文件权限管理器类(FilePermissionManager)包含检查权限(check_permission)、修复权限(fix_permission)、安全写入(safe_write)和安全删除(safe_delete)等方法,通过异常处理和临时文件等技术确保操作安全

博客 360

Towards-Realtime-MOT实战教程:从视频输入到跟踪结果输出的完整流程

Towards-Realtime-MOT是一个基于联合检测与嵌入技术的快速多目标跟踪项目,能够实时对视频中的多个目标进行精准追踪。本教程将带你完成从环境配置到视频跟踪结果输出的全流程,让你轻松掌握这款强大工具的使用方法。 ## 一、环境准备:快速搭建运行环境 ### 1.1 克隆项目代码库 首先需要将项目代码克隆到本地,打开终端执行以下命令: ```bash git clone https:/

gitblog_00828的博客 478

SOME/IP协议详解「1.1·面向服务与面向信号」

面向信号和面向服务的区别,和举例子

雪云飞星的博客 5657

TrackEval实战教程:3步完成MOTChallenge数据集评估

TrackEval是一款专业的多目标跟踪(MOT)评估工具,支持HOTA、CLEAR、Identity等主流评估指标,能够帮助研究者快速量化跟踪算法性能。本文将通过3个简单步骤,教你如何使用TrackEval评估MOTChallenge数据集上的跟踪结果。 ## 1️⃣ 环境准备:快速搭建评估环境 首先需要克隆TrackEval仓库并安装依赖: ```bash git clone https:

gitblog_00788的博客 793

Modbus协议学习第一篇之基础概念

因工作需要而接触Modbus,正在恶补知识,利用博客的方式来加深理解和记忆,同时希望同行大佬能一起交流。

hzf978742221的博客 883

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: linux anaconda安装
LittleRuby
博客等级 码龄7年 465粉丝 38原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值