pysot-toolkit测试及对比

最新推荐文章于 2025-03-13 14:53:29 发布
最新推荐文章于 2025-03-13 14:53:29 发布
阅读量6.3k 收藏 47
点赞数 14
分类专栏： object tracking 文章标签： ubuntu 目标跟踪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_41831753/article/details/113872599
版权
本文介绍了如何在Ubuntu系统中搭建pysot-toolkit环境，配置文件，以及进行单个和多个跟踪器的性能测试。首先，通过命令行下载并安装pysot-toolkit及其依赖库。接着，配置VOT2016数据集路径、结果文件路径和跟踪器名称。然后，执行评估命令以测试单个跟踪器，并展示结果。最后，进行了多跟踪器的性能对比，指出需要一个名为'baseline'的子目录才能正常运行评估。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

前言

  pysot-toolkit是一款评估单目标跟踪性能的工具，可以计算OPE(One Pass Evaluation)下的Success和Precision、以及VOT(Visual Object Tracking)的性能指标Accuracy、Robustness、EAO等。本文在ubuntu系统下进行测试。

1、环境搭建

  首先在命令行输入pysot-toolkit下载命令：

在这里插入图片描述接着安装pysot-toolkit下requirements.txt里面的库包：

tqdm
numpy
glob
opencv-python
colorama
numba

安装时这些包时，可以单独创建一个供pysot-toolkit使用的虚拟环境，也可以在现有环境中安装缺少的包，我是直接在现有环境安装了colorama，进入虚拟环境后，安装指令统一使用pip install xxx。最后，终端命令cd进入pysot-toolkit/pysot/utils/文件，在该路径下输入如下指令，python3.7可以根据你的解释器版本改变。
在这里插入图片描述编译成功后，可以在utils下看到如下文件，至此，环境搭建完成！
在这里插入图片描述

2、文件配置

  环境搭好啦，第二步时配置所需文件，先给出官网教程，仅以VOT2016为例，其他类似。
在这里插入图片描述–dataset_dir：VOT2016数据集路径
–dataset VOT2016：数据集名称
–tracker_result_dir：用你算法跑出来的的results路径
–trackers XXX：跟踪器名称XXX

  1. –dataset_dir:该路仅是VOT2016数据集的路径，这里记得下载VOT2016.json文件然后存放在VOT2016数据集的路径下，点这下载，该文件存放的是数据集的视频信息。
    在这里插入图片描述

  2. –tracker_result_dir：我仅以pysot-toolkit作为评估工具，所以算法跑出来的results事先准备好了，放在该路径下。
    在这里插入图片描述
    接下来，看下这个文件夹的tree结构
    在这里插入图片描述

3、测试及对比

3.1 单跟踪器测试

  环境搭好，文件也配置好了，接下来只需要在终端按顺序输入如下命令，便能评估算法性能。首先，进入你搭好的环境中，然后在该环境下进入pysot-toolkit文件下输入评估指令。
在这里插入图片描述在这里插入图片描述在这里插入图片描述这里给的数据集路径和results路径使用的是绝对路径，更清晰可观。

3.2 多跟踪器对比

  先来看一下文件夹树结构吧。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述所有跟踪器的results以它的名称命名，这里有点疑惑的是，必须要有一个baseline的子目录才能正常运行评估，目前我还没看评估源码，所以也不是很清楚，希望知道的小伙伴评论讨论下，谢谢！对比时终端输入的指令及结果如下：
在这里插入图片描述在这里插入图片描述

pysot--eval.py笔记（读取算法结果，根据评价指标计算结果并可视化）
My_Communication的博客
08-22 1208
pysot toolkit 的eval文件 目前pysot toolkit与pysot的eval不同之处在于是否有VOT2019等最新的数据集评价程序。 包含的数据有： OTB系列 VOT2016, 2018（2017）短时序列 VOT2018-LT VOT2019 NFS UAV LaSOT from __future__ import absolute_import from __future__ import division from __future__ import print_functi
配置pysot- toolkit
m0_46622443的博客
04-30 2047
这个大家都没遇见啥困难，但是我就踩了比较多雷 作者的github库（不是我的）： https://github.com/StrangerZhang/pysot-toolkit 安装步骤：（参考链接会放在后面） 需要的环境：（我是在Windows下配置的） anaconda+cuda+cudnn 按照作者的要求 1.git clone https://github.com/StrangerZhang...
win10+apache2.4+mod_wsgi4.7+pyhon3.8+django2.2 部署
pengwupeng2008的专栏
12-07 986
环境： 系统 win10 apache2.4 win64 mod_wsgi-4.7.1-cp38-cp38-win_amd64(根据具体python和系统版本下载) python 3.8 django 2.2 mysql5.7 python3.8 和django2.2，mysql5.7 的部署其他文章有写，在此忽略 1、apache下载、安装与配置 1.1、下载地址： https://www.apachelounge.com...
Pysot环境配置遇到的问题
最新发布
woshidalaoxinbux的博客
03-13 182
遇到Cython.Compiler.Errors.CompileError: toolkit/utils/region.pyx。解决方法：1.打开demo.py文件，修改模型加载代码，添加。是因为Cython版本过高，执行以下命令，可以解决。3.当运行已存在的视频流时，可以运行以下命令。这是因为摄像头的问题和torch.load。当执行以下命令，运行配置文件时。执行以下命令，运行demo时。2.打开电脑摄像头即可。
windows下使用pysot-toolkit测评VOT2019数据结果
skeete的博客
08-03 729
使用pysot对官方未配置的数据集进行测评
pysot之测试代码分析，一看就会，对比代码阅读更佳哦
cxkyxx的博客
01-20 1744
文章目录1.官方给出的测试方法2.代码阅读 1.官方给出的测试方法 2.代码阅读 需要加载的内容（以测试Siam RPN为例）： 网络结构：将Siam RPN的网络结构加载进去 --config 网络权重：将Siam RPN的网络权重加载进去 --snapshot 测试数据集：将想要测试的数据集加载进去 --dataset torch.set_num_threads(int):设定用于并行化CPU操作的Open MP线程数 加载网络配置和数据集路径 加载数据集路径 imp
使用pysot-toolkit绘制跟踪算法雷达图
qq_30287833的博客
06-12 2805
目标跟踪算法，雷达图，多个跟踪器评估，深度学习，孪生网络
用pysot里面的vot测试功能测试DIMP50在vot2018上的表现
laizi_laizi的博客
10-31 3523
用pysot里面的vot测试功能测试DIMP50在vot2018上的表现一、将实验添加到myexperiments.py中二、稍微调整一下run_experiment.py的运行接口三、修改votdataset.py中的gt格式四、修改tracker.py文件需要把复制到五、修改running.py中保存结果的地方六、这样就可以运行了 此前花了两天时间，准备用vot-toolkit(matlab)去测一下DIMP50 baseline在VOT2018上的表现的，结果发现dimp50 fail之后总是不能初始
PySOT 安装与模型测试
weixin_41449637的博客
10-14 1294
安装步骤 -下载工程文件 https://github.com/STVIR/pysot.git - 创建cond环境 https://github.com/STVIR/pysot/blob/master/INSTALL.md 采用第二种安装方式，手动配置环境 conda create --name pysot python=3.7 conda activate pysot conda install numpy conda install pytorch=0.4.1 torchvision
学习 PySOT(2)（PySOT-toolkit、对比、画图）
热门推荐
weixin_42495721的博客
12-09 1万+
文章目录前言一、pysot-toolkit准备工作1.所需环境要求2.文件配置3.运行配置二、使用步骤1.引入库2.读入数据总结 前言 pysot-toolkit是基于PySOT的工具，此存储库的目的是提供当前单个对象跟踪数据集的评估API，包括： VOT2016 VOT2018 VOT2018-LT OTB100(OTB2015) UAV123 NFS LaSOT TrackingNet (Evaluation on Server) GOT-10k (Evaluation on Ser.
ubuntu16.04下如何训练PySOT(五)：补充，安装 pysot-toolkit ，测试/评估模型
qq_28503457的博客
10-22 2347
在
Python-Python单目标追踪评价工具集
08-11
Python Single Object Tracking Evaluation
pysot目标跟踪权重集合
05-28
pysot目标跟踪权重，顺序为官网顺序，从头到尾儿，因为外网上不去，上传的
Nvidia-container-toolkit，系统ubuntu20.04，x86架构，Nvidia-container-toolkit版本：1.17.4（最新）
02-07
Nvidia-container-toolkit是NVIDIA推出的一款开源工具包，其主要作用是帮助用户在容器化环境中运行NVIDIA GPU加速应用。该工具包提供了容器运行时与NVIDIA GPU之间的交互功能，使得开发者可以在容器中无缝使用GPU...
nvidia-container-toolkit-1.17.1.zip
11-14
具体而言，nvidia-container-toolkit-base包通常包含了为NVIDIA Container Toolkit提供基础支持的组件，这些是其他组件正常工作所必需的依赖。nvidia-container-toolkit包则包含了核心组件，是安装NVIDIA Container ...
pysot-toolkit--eval.py笔记（读取算法结果，根据评价指标计算结果并可视化）
My_Communication的博客
08-22 1990
pysot toolkit 的eval文件 目前pysot toolkit与pysot的eval不同之处在于是否有VOT2019等最新的数据集评价程序。 包含的数据有： OTB系列 VOT2016, 2018（2017）短时序列 VOT2018-LT NFS UAV LaSOT import os import sys import time import argparse import functools sys.path.append("./") sys.path.append("C:/Users/
PySOT 工具包：深度学习目标跟踪的利器
gitblog_00070的博客
04-26 660
PySOT 工具包：深度学习目标跟踪的利器 项目地址:https://gitcode.com/gh_mirrors/py/pysot-toolkit 项目简介 PySOT 是一个基于 Python 的单目标跟踪（Single Object Tracking, SOT）工具包，由 StrangerZhang 开发并维护。该项目旨在为研究者和开发者提供一个易用、高效的平台，用于实验和开发最新的目标跟踪...
pysottoolkit使用问题记录
Misakaya的博客
08-25 1427
pysottoolkit是什么？ 我们的跟踪模型，无论是相关滤波跟踪器，还是深度学习的跟踪器，都需要在数据集上测试性能，常用的数据集有OTB、VOT等等。测试的步骤可以分为两步，第一，使用跟踪器在数据集的不同视频序列上，“推理”得到对应的标注文件，这个标注文件可以是txt格式，也可以是mat格式。第二，对得到的标注文件，将其与GT进行比较，计算成功率、精确度等指标，乃至绘制曲线图。 我们使用跟踪器得到跟踪标注结果后，想评估自己的跟踪器性能，就需要利用标注文件计算指标（第二步），这时候可以借助OTB、VOT的
pysot-tookit详细配置！
weixin_41527253的博客
07-02 870
pysot-toolkit配置* 1.首先按照这个博主的一步步来，这里放上链接： https://blog.youkuaiyun.com/weixin_42495721/article/details/110855071 2.我是在这个博主的第3点：运行配置出错的。 具体出错原因是运行setup.py的时候报错了，大概就是不能执行一个bat文件，这个文件应该是用来编译的，但是电脑上没有。 上网搜了很多，只有一个博主遇到了相同的问题。这里放上链接： https://blog.youkuaiyun.com/m0_46622443/ar
pysot-toolkit fps
12-28
### Pysot-toolkit 帧率优化与测量方法 对于提高 `pysot-toolkit` 的帧率（FPS），可以从多个方面入手，包括算法层面的改进、硬件加速以及软件配置调整。 #### 算法效率提升 通过分析跟踪器的核心算法并寻找潜在瓶颈来实现性能优化。常见的做法是对计算密集型部分进行针对性优化： - **减少冗余运算**：去除不必要的重复计算操作，确保每次迭代只处理必需的数据[^1]。 - **数据结构优化**：采用更高效的数据存储方式可以显著降低访问延迟和内存占用量。例如，在某些场景下使用稀疏矩阵代替稠密矩阵能够节省大量空间并加快处理速度。 ```python import numpy as np def optimized_data_structure(data): sparse_matrix = scipy.sparse.csr_matrix(data) return sparse_matrix ``` #### 利用多线程或多进程技术 现代计算机通常配备有多个CPU核心，利用并发编程模型可以让不同任务同时执行从而充分利用资源： - Python 中可以通过 `concurrent.futures` 或者 `multiprocessing` 库轻松创建子线程/子进程来进行异步I/O读写或其他耗时较长的任务处理。 ```python from concurrent.futures import ThreadPoolExecutor, as_completed def process_frame(frame): # 处理单个图像帧逻辑... pass with ThreadPoolExecutor(max_workers=8) as executor: futures = {executor.submit(process_frame, frame): frame for frame in frames} for future in as_completed(futures): result = future.result() ``` #### GPU 加速支持 图形处理器擅长于大规模并行计算任务，因此非常适合用于视觉识别类应用中的特征提取等工作负载。借助 CUDA 平台上的 PyTorch/TensorFlow 等框架可方便地移植现有代码至GPU上运行以获得数倍乃至数十倍的速度增益。 ```python import torch device = 'cuda' if torch.cuda.is_available() else 'cpu' model.to(device) input_tensor = input_tensor.to(device) output = model(input_tensor) ``` #### 测量 FPS 方法 为了准确评估上述措施的效果，建议采取如下几种手段记录程序实际表现出来的每秒传输画面数量(FPS): - 使用时间戳标记每一帧开始结束时刻，并据此计算平均间隔作为最终统计依据； - 调试工具如 NVIDIA NSight Systems 可提供详细的性能剖析报告帮助定位具体问题所在； ```python import time start_time = time.time() while True: ret, frame = cap.read() if not ret: break end_time = time.time() elapsed_time = end_time - start_time fps = 1 / elapsed_time print('FPS:', fps) start_time = end_time ```
评论 22
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

打赏作者

小超man

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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