lovelife110的博客

训练过程概述训练周期与迭代:模型有80个周期的训练，每个周期有665次迭代（iter）内存使用:mem: 10813Mb 模型在训练过程中使用了约10,813MB的内存迭代时间和数据时间:iter_time 表示每次迭代所需的时间data_time 表示加载数据所需的时间损失值:total_loss、iou_loss、l1_loss、conf_loss 和 cls_loss 分别表示总损失、交并比损失、L1损失、置信度损失和类别损失学习率:学习率（lr）进度与ETA:ETA（预计

ByteTrack训练自己数据集 发现AP值为-1.000

考虑到行人在监控区域行为的任意性，采用单虚线计数无法对行人的运动方向、在监控区域的滞留情况进行准确判断，因此可采取如下图 所示的双线虚拟计数，当行人轨迹由 Ａ→Ｂ 视为下行，当越过 Ｂ 线时，下行人数加１；具体来说，首先在行人检测部分使用yolox 对行人目标定位，其中为了提高网络对于细粒度特征的检测，改善对于走远的小尺度行人和遮挡的行人的检测精确度，在数据预处理中对数据进行筛选、标注，并在输入训练网络前进行旋转和 ＨＳＶ 的随机增强，使得算法对于行人的复杂运动以及多变的光照条件具有更强的 鲁 棒 性；

yolox_s_mix_det.py 修改训练和验证的 data_dir名称和name，对应MOTDataset的data_dir也要改。yolox的预训练模型放在<ByteTrack_HOME>/pretrained。设置搜索时显示通道地址。

https://github.com/darkpgmr/DarkLabel 官方地址视频/图像标注工具，很适合用于目标追踪任务DarkLabel可以在视频和图像中标注物体的边界框，并附上 ID 和name。还可以用于裁剪视频、从视频中采样训练图像以及对图像区域进行马赛克处理。

参数–output-name yolox_s.onnx -f E:/code/YOLOX-0.3.0/exps/example/custom/yolox_s.py -c E:\code\YOLOX-0.3.0\YOLOX_outputs\yolox_s\last_epoch_ckpt.pth。YOLOX-0.3.0\tools\demo.py 用demo.py 测试图片，assets/an.png为测试的图片，last_epoch_ckpt.pth为自己训练的模型。nvidia-smi 查看自己的版本。

bytetrack 在生产运行过程中，发现有内存泄露问题，程序跑了几天，通过free -m观察，内存验证不足。走查完bytetrack源码，发现有内存泄露bug，目前bytetrack官方已经没有维护就不提pr了。只保留 max_time_lost *10 范围内的跟踪对象，超过就删除。在removed_stracks后面添加类似c++的处理方式。内存泄露在 removed_stracks。

data_fmt 和上述MOT17数据集的说明一致，由于我的是bytetrack，所以我的格式为 [fn, id, x1, y1, w, h, c=-1, c=-1, c=-1, c=-1] ，后面4个训练用不到，填写-1。由于目标追踪我用的是bytetrack，官网是用mot17数据集训练的，我想看下官方数据集，以便于自己打标。做目标追踪，目前找了一圈开源工具，发现DarkLabel还是很好用的，提供自动目标跟踪，标注很方便。由于官网提供的视频尺寸是不对的，所以我用代码通过图片目录生成视频。