轻量级目标检测 deeposrt目标追踪.zip

# 1. 推理文件 直接运行.detectpy # $python detect.py --Image file.jpg # image # --video file.mp4 # video # --FILE_Image ./dir # directory #  # To run inference on examples in the `images/output` folder: # bash # $ python detect.py --FILE_Image ./inference/images/ --trained_model model/YOLONT.pth --visual_threshold 0.02 #  # 2. 训练需修改config里面的配置 # VOC_ROOT=r'E:\YOLONT\VOCYOLO' # voc_ab = { # 'num_classes': 20, # 'lr_epoch': (300, 650), # (60, 90, 160), # 'max_epoch': 800, # 'min_dim': [416, 416], # 'name': 'VOC' # } # 修改VOC_ROOT 为你的数据的路径 为Annotations、JPEGImages、ImageSets的上层路径，如下所示 VOC2007 # example： # VOC2007: # Annotations # *.xml 存放你的xml文件 # JPEGImages # *.jpg *.png *.bmp 存放你的图片文件 # ImageSets # Main # train.txt # test.txt # train和test里面都是存放文件的命名 # 修改你要训练的类别个数 不包括背景 # num_classes : X 训练类别数 # lr_epoch: (300, 650) 学习率迭代区间 # max_epoch: 800 最大的epoch # config文件中的VOC_CLASS 是以元组的形式存在 # VOC_CLASSES = ( # always index 0 # 'aeroplane', 'bicycle', 'bird', 'boat', # 'bottle', 'bus', 'car', 'cat', 'chair', # 'cow', 'diningtable', 'dog', 'horse', # 'motorbike', 'person', 'pottedplant', # 'sheep', 'sofa', 'train', 'tvmonitor') # 运行train_voc.py # python detect.py --track True 可开启目标追踪demo # 增加注意力机制 #  # 精度 # 分辨率 MAP(ap50) flops/浮点运算次数 params/参数个数 model_size # 416X416 52.5% 1493393343 3571143b 13.7M # 512X512 60.05% 2262181632 3571143b 13.7M # 618X618 58.9% 3190029567 3571143b 13.7M # 安装所需环境 pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple # 需要下载YOLONT权重文件放在model文件夹下 链接: https://pan.baidu.com/s/1vTLu54RWcs4ZrH-Hy-cLxA 提取码: xxbx # 需下载ckpt.t7目标追踪权重 放在deep_sort\deep\checkpoint 文件夹下 链接: https://pan.baidu.com/s/173pB2t1U0flgn2d1JaT_zA 提取码: ermm 感谢@RangiLyu和@Kissrabbit、@qiuqiu 三位大佬在复现工作的点拨