模型实战（16）之StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解

已于 2023-11-08 23:25:09 修改
阅读量1.6k 收藏 5
点赞数
CC 4.0 BY-SA版权
分类专栏： # 深度学习实战例程 文章标签： YOLO 目标跟踪 人工智能 深度学习 计算机视觉
于 2023-11-08 23:24:48 首次发布
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/yohnyang/article/details/131988326

StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解

  • 此项目包含一个高度可配置的两阶段跟踪器，可根据不同的部署场景进行调整。由YOLOv5, YOLOv7, YOLOv8(一系列在COCO数据集上预训练的对象检测架构和模型)生成的检测被传递给StrongSORT, StrongSORT基于OSNet结合运动和外观信息以跟踪对象。它可以跟踪你的Yolov5模型被训练来检测的任何对象。
  • 本文中yolov7跟踪尚未跑通，但是yolov5、yolov8跟踪及计数功能是直接可用的
  • 其中，yolov5跟踪结果如下图所示，其他结果见文章详解

strongnet + yolov5实现多目标跟踪

环境搭建

了解本专栏 订阅专栏 解锁全文
yolov8 strongSORT多目标跟踪工具箱BOXMOT
白起
10-12 1万+
由mikel brostrom提供。在以前的版本中，有yolov5+deepsort（版本v3-v5）， yolov8+strongsort（版本v6-v9），直至演变到v10，名称BOXMOT。BOXMOT提供三种对象检测器：yolov8， yolo_nas， yolox；支持多个跟踪器：BoTSORT, DeepOCSORT, OCSORT, Hybridsort, ByteTrack, StrongSORT。以前常见的DeepSort在此由增强型StrongSORT替代。
YOLOV7 + StrongSORT 实现目标检测与跟踪
08-16 9872
环境windows 10 64bitpython 3.8pytorch1.7.1 + cu101简介前面，我们介绍过 基于YOLOv5和DeepSort的目标跟踪，最近大神又在刚出的 YOLOv7 的基础上加上了目标跟踪，跟踪部分使用的是基于 OSNet 的 StrongSORT，项目地址: https://github.com/mikel-brostrom/Yolov7_StrongSORT_O...
目标追踪StrongSORT——基于DeepSORT重大升级提高多目标跟踪的准确性和鲁棒性
知来者逆的博客
04-04 1万+
通过改进MOT任务中的早期深度模型DeepSORT，实现了最先进的性能（SOTA），引入了两种计算成本较低的后处理技术：AFLink和GSI，它们被证明能够进一步提升跟踪的准确度。 这些后处理方法不仅对所提出的模型有益，还能够显著提高其他几个模型的准确性。 这些改进表明，通过精心设计的后处理步骤，可以在不显著增加计算负担的情况下，显著提高多目标跟踪任务的性能。AFLink和GSI作为有效的后处理工具，为MOT领域的研究和应用提供了新的可能性。
OSNet：Omni-Scale Feature Learning for Person Re-Identification（论文阅读笔记）
weixin_40671425的博客
06-27 1万+
CVPR 2019的文章，作者自己根据Reid任务重新设计了一种新的网络结构，比较轻便，对比shuffleNet，mobileNet，SqueezeNet等具有更好的性能。 论文链接：《Omni-Scale Feature Learning for Person Re-Identification》 代码链接：https://github.com/KaiyangZhou/deep-person...
推荐项目：Yolov7_StrongSORT_OSNet - 实时目标检测与跟踪的高效解决方案
gitblog_00062的博客
04-26 655
推荐项目：Yolov7_StrongSORT_OSNet - 实时目标检测与跟踪的高效解决方案 该项目是一个基于先进的计算机视觉模型和算法的开源实现，结合了YOLOv7的高精度目标检测、StrongSORT的强大追踪能力和OSNet的优秀特征学习。通过这个项目，开发者和研究人员可以构建出实时的目标检测与跟踪系统，适用于各种应用场景，如智能监控、自动驾驶和机器人导航。 技术分析 YOLOv7：这...
Market1501数据集训练OSnet遇到问题
weixin_49145723的博客
06-20 666
近期在训练deepsort，数据集使用的是Market1501，它原本的特征提取网络训练起来没问题，我将特征提取网络替换成了OSnet，训练的时候出现这样的情况，请问该怎么排查、解决问题呢？训练集准确率在慢慢升高，但是测试集基本上一直没变为0%，到了最后训练集准确率竟然达到了99.9%
CVPR2023 全新注意力机制大幅提升YOLOv5v7v8性能，推动目标检测创新 · 计算机视觉
07-29
内容概要：本文介绍了CVPR2023上提出的全新注意力机制及其在YOLOv5、YOLOv7和YOLOv8中的应用。这些改进包括更高效的注意力计算方式、多尺度注意力融合和动态注意力权重机制，显著提升了模型的准确率、推理速度和轻量...
CVPR2023 全新注意力机制助力YOLOv5v7v8性能大幅提升
08-28
内容概要：本文介绍了CVPR2023上提出的全新注意力机制及其在YOLOv5、YOLOv7和YOLOv8中的应用。这些改进包括更高效的注意力计算方式、多尺度注意力融合和动态注意力权重机制，显著提升了模型的准确率、推理速度和轻量...
人脸检测系统技术全景：基于YOLOv5v6v7v8v10的模型对比与PyQt6界面实战
最新发布
11-11
人脸检测系统技术全景：基于YOLOv5v6v7v8v10的模型对比与PyQt6界面实战
StrongSORT——基于DeepSORT，提高多目标跟踪的准确性和鲁棒性
githubcurry，985cs博士在读
04-25 3554
DeepSORT算法是在SORT基础上发展起来的一种多目标跟踪算法。SORT算法结合了目标检测器和跟踪器，其中跟踪器的核心是。这种方法在目标没有被遮挡或丢失时表现良好，但如果目标因为某些原因（如遮挡）在一帧中未被检测到，卡尔曼滤波的预测可能会失败，导致跟踪失败。DeepSORT算法为了解决这个问题，引入了深度学习中的重识别技术。它不仅关注目标的运动信息，还利用目标的外观特征来增强跟踪的准确性。DeepSORT通过深度学习模型提取目标的外观特征，并将这些特征表示为低维向量。
osnet_x0_5_imagenet.pth
09-17
osnet_x0_5_imagenet.pth，下载自：'osnet_x0_5': 'https://drive.google.com/uc?id=16DGLbZukvVYgINws8u8deSaOqjybZ83i'
osnet_x0_25_imagenet.pth
09-17
osnet_x0_25_imagenet.pth，下载自：'osnet_x0_25': 'https://drive.google.com/uc?id=1rb8UN5ZzPKRc_xvtHlyDh-cSz88YX9hs'
追踪算法osnet-imagenet训练的权重文件
06-16
使用deepsort，追踪算法osnet-imagenet训练的权重文件
多目标跟踪MOT：Deepocsort+YOLOv8+OSnet实战（代码讲解）
热门推荐
Orange_sparkle的博客
03-13 3万+
因为我一开始完全看不懂代码，自己摸索真的很累，所以我想能够帮助需要的人来快速理解代码，重要部分我都已经打上注释，还有不理解的地方可以在评论区留言。""""""import pdbimport cv2# 若轨迹的观测数为0dt = k - i""""""""""""else:return Qreturn R""""""count = 0""""""else:if new_kf:else:# 每有一个卡尔曼轨迹id就加一""""""""""""break。
【亲测免费】 YOLOv7 + StrongSORT + OSNet 目标检测与跟踪项目教程
gitblog_00088的博客
05-20 619
YOLOv7 + StrongSORT + OSNet 目标检测与跟踪项目教程 1. 项目介绍 1.1 项目概述 Yolov7_StrongSORT_OSNet 是一个高度可配置的两阶段目标跟踪系统，适用于不同的部署场景。该项目结合了 YOLOv7 目标检测模型和 StrongSORT 多目标跟踪算法，并使用 OSNet 进行特征提取，以实现实时、多摄像头、多目标的跟踪。 1.2 主要组件 YO...
论文解读：《Learning Generalisable Omni-Scale Representations for Person Re-Identification（OSNet）》
jh97321的博客
10-23 1903
介绍 有效的行人再识别应该具有区分性，学习到的特征表示既能区分外貌相似的行人，又能在不额外训练的情况下进行跨数据集部署。本文提出了新的CNN架构来应对这两个挑战。首先，是提出了一种“全尺度网络（OSNet）”的CNN结构，不仅可以捕获不同的空间尺度，同时也能封装这些尺度的协同组合，即全尺度特征。基本构建块由多个卷积流组成，每个卷积流检测不同尺度范围的特征。对于全尺度特征学习，提出了一种统一的聚合...
OSNet代码解析（普通卷积，分组卷积，深度可分离卷积，OSblock组成）
Mr_DaYang的博客
06-09 9391
文章目录普通卷积和分组卷积普通卷积和深度可分离卷积用深度可分离卷积（LightConv3x3）代替普通卷积（Conv3x3）减少参数OSBlock （bottleneck）OSNet OSNet之所以轻量(2.2M)在于网络浅，使用深度可分离卷积代替传统卷积，但是很有效 普通卷积和分组卷积 所谓分组卷积，就是右图的input features分成一组一组，如上图groups=3,那么输入的特征分成3组，每组有12/3=4的通道的特征参与输出。然后根据输出通道的维度，得到每组的输入特征要计算两次(6/3=2
OSnet代码详解
pangxing6491的博客
05-17 1655
OSNet代码解析（普通卷积，分组卷积，深度可分离卷积，OSblock组成）_Mr DaYang的博客-优快云博客_osnet
【深度学习|目标跟踪】StrongSORT 详解(以及StrongSORT++)
传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
11-27 2481
在DeepSort中使用的是一个普通的kalman filter，即通过状态量直接估计下一时刻的状态，只有位置信息，而StrongSort中融合了目标的置信度信息，在计算噪声的均值和方差时，加入了track对应的检测目标的置信度信息，自适应的调整噪声。相比较于DeepSort中将每次的匹配上的目标的特征向量直接存储到对应track的gallery中，StrongSort的做法可以有效的平滑视频中间由于遮挡，噪声或其他不利因素导致的目标特征的衰减，使得在特征在匹配时的准确率能够有效提升。
qt yolov5 v7 v8目标检测界面
09-23
要使用Qt结合Yolov5 v7和v8实现目标检测界面，可按以下步骤进行： ### 环境准备 确保已经安装了Qt开发环境、Python以及相关的深度学习库（如PyTorch）。同时，下载Yolov5 v7和v8的代码仓库。 ### 模型训练与导出 在Yolov5的代码仓库中，使用自己的数据集对Yolov5 v7和v8模型进行训练。训练完成后，将模型导出为ONNX格式，方便后续在Qt中使用。以Yolov8为例的导出代码示例如下： ```python import torch # 加载训练好的Yolov8模型 model = torch.load('path/to/best.pt') # 导出为ONNX格式 model.export(format='onnx') ``` ### 创建Qt项目 打开Qt Creator，创建一个新的Qt Widgets Application项目。 ### 集成模型到Qt项目 在Qt项目中，使用OpenCV库来处理图像和视频流，并使用ONNX Runtime库来加载和运行导出的Yolov5 v7和v8的ONNX模型。以下是一个简单的代码示例： ```cpp #include <opencv2/opencv.hpp> #include <onnxruntime_cxx_api.h> // 加载ONNX模型 Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "test"); Ort::SessionOptions session_options; const wchar_t* model_path = L"path/to/model.onnx"; Ort::Session session(env, model_path, session_options); // 读取图像 cv::Mat image = cv::imread("path/to/image.jpg"); // 图像预处理 // ... // 运行模型进行目标检测 // ... // 显示检测结果 cv::imshow("Detection Result", image); cv::waitKey(0); ``` ### 设计Qt界面 在Qt Designer中设计目标检测界面，添加必要的控件，如按钮、标签、视频显示区域等。例如，添加一个按钮用于选择图像或视频文件，添加一个标签用于显示检测结果。 ### 实现界面交互逻辑 在Qt项目的代码中，实现界面控件的交互逻辑。例如，当用户点击选择文件按钮时，弹出文件选择对话框，选择图像或视频文件后，调用目标检测函数进行检测，并将检测结果显示在界面上。以下是一个简单的代码示例： ```cpp #include <QFileDialog> #include <QImage> #include <QPixmap> // 选择文件按钮的槽函数 void MainWindow::on_selectFileButton_clicked() { QString filePath = QFileDialog::getOpenFileName(this, "Select Image or Video"); if (!filePath.isEmpty()) { // 调用目标检测函数 cv::Mat result = detectObjects(filePath.toStdString()); // 将OpenCV图像转换为Qt图像 QImage qImage(result.data, result.cols, result.rows, result.step, QImage::Format_BGR888); QPixmap pixmap = QPixmap::fromImage(qImage); // 在标签上显示检测结果 ui->resultLabel->setPixmap(pixmap.scaled(ui->resultLabel->size(), Qt::KeepAspectRatio)); } } ``` ### 实时视频流处理 如果需要处理实时视频流，可以使用OpenCV的VideoCapture类来捕获视频帧，并在界面上实时显示检测结果。以下是一个简单的代码示例： ```cpp cv::VideoCapture cap(0); // 打开摄像头 while (true) { cv::Mat frame; cap >> frame; // 调用目标检测函数 cv::Mat result = detectObjects(frame); // 显示检测结果 cv::imshow("Detection Result", result); if (cv::waitKey(1) == 27) { // 按ESC键退出 break; } } cap.release(); ``` ### 界面美化与功能扩展 对Qt界面进行美化，添加更多的功能，如切换模型（Yolov5 v7和v8）、调整检测阈值等。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

打赏作者

明月醉窗台

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