# 本文禁止转载!
本文地址：[https://blog.csdn.net/weixin_44936889/article/details/112002152](https://blog.csdn.net/weixin_44936889/article/details/112002152)
# 项目简介：
使用YOLOv5+Deepsort实现车辆行人追踪和计数，代码封装成一个Detector类，更容易嵌入到自己的项目中。
代码地址（欢迎star）：
[https://github.com/Sharpiless/yolov5-deepsort/](https://github.com/Sharpiless/yolov5-deepsort/)
最终效果：
# YOLOv5检测器：
```python
class Detector(baseDet):
def __init__(self):
super(Detector, self).__init__()
self.init_model()
self.build_config()
def init_model(self):
self.weights = 'weights/yolov5m.pt'
self.device = '0' if torch.cuda.is_available() else 'cpu'
self.device = select_device(self.device)
model = attempt_load(self.weights, map_location=self.device)
model.to(self.device).eval()
model.half()
# torch.save(model, 'test.pt')
self.m = model
self.names = model.module.names if hasattr(
model, 'module') else model.names
def preprocess(self, img):
img0 = img.copy()
img = letterbox(img, new_shape=self.img_size)[0]
img = img[:, :, ::-1].transpose(2, 0, 1)
img = np.ascontiguousarray(img)
img = torch.from_numpy(img).to(self.device)
img = img.half() # 半精度
img /= 255.0 # 图像归一化
if img.ndimension() == 3:
img = img.unsqueeze(0)
return img0, img
def detect(self, im):
im0, img = self.preprocess(im)
pred = self.m(img, augment=False)[0]
pred = pred.float()
pred = non_max_suppression(pred, self.threshold, 0.4)
pred_boxes = []
for det in pred:
if det is not None and len(det):
det[:, :4] = scale_coords(
img.shape[2:], det[:, :4], im0.shape).round()
for *x, conf, cls_id in det:
lbl = self.names[int(cls_id)]
if not lbl in ['person', 'car', 'truck']:
continue
x1, y1 = int(x[0]), int(x[1])
x2, y2 = int(x[2]), int(x[3])
pred_boxes.append(
(x1, y1, x2, y2, lbl, conf))
return im, pred_boxes
```
调用 self.detect 方法返回图像和预测结果
# DeepSort追踪器：
```python
deepsort = DeepSort(cfg.DEEPSORT.REID_CKPT,
max_dist=cfg.DEEPSORT.MAX_DIST, min_confidence=cfg.DEEPSORT.MIN_CONFIDENCE,
nms_max_overlap=cfg.DEEPSORT.NMS_MAX_OVERLAP, max_iou_distance=cfg.DEEPSORT.MAX_IOU_DISTANCE,
max_age=cfg.DEEPSORT.MAX_AGE, n_init=cfg.DEEPSORT.N_INIT, nn_budget=cfg.DEEPSORT.NN_BUDGET,
use_cuda=True)
```
调用 self.update 方法更新追踪结果
# 运行demo：
```bash
python demo.py
```
# 训练自己的模型：
参考我的另一篇博客：
[【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署）](https://blog.csdn.net/weixin_44936889/article/details/110661862)
训练好后放到 weights 文件夹下
# 调用接口：
## 创建检测器：
```python
from AIDetector_pytorch import Detector
det = Detector()
```
## 调用检测接口：
```python
result = det.feedCap(im)
```
其中 im 为 BGR 图像
返回的 result 是字典，result['frame'] 返回可视化后的图像
# 联系作者：
> B站：[https://space.bilibili.com/470550823](https://space.bilibili.com/470550823)
> CSDN：[https://blog.csdn.net/weixin_44936889](https://blog.csdn.net/weixin_44936889)
> AI Studio：[https://aistudio.baidu.com/aistudio/personalcenter/thirdview/67156](https://aistudio.baidu.com/aistudio/personalcenter/thirdview/67156)
> Github：[https://github.com/Sharpiless](https://github.com/Sharpiless)
遵循 GNU General Public License v3.0 协议，标明目标检测部分来源：https://github.com/ultralytics/yolov5/
最新版本yolov5+deepsort目标检测和追踪，支持5.0版本可训练自己数据集.zip （137个子文件） 
Dockerfile 821B .gitkeep 0B
train.jpg 59KB LICENSE 34KB README.md 4KB README.md 2KB README.md 65B
result.mp4 1.11MB yolov5s.pt 14.11MB datasets.py 44KB general.py 28KB plots.py 18KB wandb_utils.py 16KB common.py 16KB yolo.py 13KB torch_utils.py 12KB json_logger.py 11KB loss.py 9KB metrics.py 9KB linear_assignment.py 8KB kalman_filter.py 8KB autoanchor.py 7KB export.py 7KB train.py 6KB nn_matching.py 5KB experimental.py 5KB tracker.py 5KB google_utils.py 5KB track.py 5KB io.py 4KB deep_sort.py 4KB activations.py 4KB evaluation.py 3KB original_model.py 3KB model.py 3KB iou_matching.py 3KB tracker.py 3KB test.py 2KB AIDetector_pytorch.py 2KB preprocessing.py 2KB feature_extractor.py 2KB detection.py 1KB demo.py 1KB draw.py 1KB resume.py 1KB BaseDetector.py 1KB restapi.py 1KB parser.py 976B log_dataset.py 800B tools.py 734B __init__.py 500B log.py 463B asserts.py 316B example_request.py 299B evaluate.py 293B __init__.py 0B __init__.py 0B __init__.py 0B __init__.py 0B __init__.py 0B __init__.py 0B __init__.py 0B datasets.cpython-37.pyc 34KB general.cpython-37.pyc 23KB common.cpython-36.pyc 19KB common.cpython-37.pyc 19KB plots.cpython-37.pyc 16KB torch_utils.cpython-37.pyc 11KB yolo.cpython-37.pyc 11KB metrics.cpython-37.pyc 8KB linear_assignment.cpython-37.pyc 7KB linear_assignment.cpython-36.pyc 7KB kalman_filter.cpython-36.pyc 7KB kalman_filter.cpython-37.pyc 7KB autoanchor.cpython-37.pyc 6KB experimental.cpython-36.pyc 6KB experimental.cpython-37.pyc 6KB nn_matching.cpython-36.pyc 6KB nn_matching.cpython-37.pyc 6KB track.cpython-37.pyc 5KB track.cpython-36.pyc 5KB tracker.cpython-37.pyc 5KB tracker.cpython-36.pyc 5KB deep_sort.cpython-37.pyc 4KB deep_sort.cpython-36.pyc 4KB google_utils.cpython-37.pyc 3KB iou_matching.cpython-37.pyc 3KB iou_matching.cpython-36.pyc 3KB model.cpython-37.pyc 3KB model.cpython-36.pyc 3KB feature_extractor.cpython-36.pyc 3KB feature_extractor.cpython-37.pyc 3KB AIDetector_pytorch.cpython-36.pyc 2KB AIDetector_pytorch.cpython-37.pyc 2KB tracker.cpython-37.pyc 2KB preprocessing.cpython-37.pyc 2KB preprocessing.cpython-36.pyc 2KB detection.cpython-37.pyc 2KB detection.cpython-36.pyc 2KB BaseDetector.cpython-37.pyc 2KB共 137 条
- 1
- 2
资源评论
生瓜蛋子
- 粉丝: 3927
- 资源: 7441
最新资源
- IEEE15节点系统Simulink仿真 1.基础功能:基于Matlab simulink平台搭建IEEE15节点仿真模型，对电力系统进行潮流计算 2.拓展功能: 可在该IEEE15节系统仿真模型上进
- IEEE9节点系统Simulink仿真 1.基础功能:基于Matlab simulink平台搭建IEEE9节点仿真模型，对电力系统进行潮流计算(与编程用牛拉法计算潮流结果一致) 2.拓展功能: 可在该
- dsp28335 PMSM三相永磁同步电机矢量控制源代码，包含clarke变，park变，svpwm，pi控制等，同时包含adc,eeprom,can,i2c,spi,定时器等驱动代码，已在实际项目中
- 脉振高频电压注入的永磁同步电机无速度传感器 PMSM
- 西门子200smart和昆仑通态锅炉热站程序项目实例，程序内有利用模拟量读取，运算时间自动切，水泵一用一备故障自动切，自动时间段加热，时间段设定温度，电能读取及算法 modbus通讯控制变频器
- 孤岛模式下两台逆变器下垂控制算法，采用电压外环和电流内环的双闭环控制，可以提供参考文献
- 常用的电机启动功能块实用博图软件西门子1200 1500，本人用的功能最全面的控制电机启动的功能块 包括1远程就地选择2设备故障反馈3设备运行反馈4控制及仿真5启动命令后电机不运行报警6报警复位7电
- MATLAB基于Simulink的行波故障测距 ，基于MATLAB SIMULINK的输电线路故障行波仿真方法
- 三相离网逆变器，VSG控制 离网逆变器VSG控制算法，有功-频率控制，无功-电压控制 电压波形质量良好
- flac3d边坡地震模型 采用自由场边界，使用瑞利阻尼，输入地震波采用阪神地震波 鲁甸波
- MATLAB代码：基于主从博弈的智能小区代理商定价策略及电动汽车充电管理 关键词：电动汽车 主从博弈 动态定价 智能小区 充放电优化 参考文档：基于主从博弈的智能小区代理商定价策略及电动汽车充电
- 多点预瞄模糊控制 软件使用：Carsim+Matlab Simulink 适用场景：采用模块化建模方法，搭建联合仿真模型，以Carsim作为整车平台适用于多种工况场景 产品simulink源码包含如
- 折叠式共源共栅放大器设计 cadence 宽摆幅 压摆率 smic180 tsmc180
- 西门子S7-1200程序案例， PID 恒温恒压供冷却水程序.SCL编程语言 触摸屏画面TP1200组态 霍尼韦尔电动比例阀PID控制水温，与两台西门子v20变频器模拟量PID控制水压 包括程序和
- DSP28035充电桩 量产充电桩 采用DSP28035作为主控 全数字电源设计，输入输出全隔离 采用APFC+LLC全桥整流，低损耗 支持过流，过压，欠压保护 包括原理图，源代码，说明文
- C#联合halcon实现字符缺陷检测源码机器视觉 字符识别 IO输入输出 halcon联合C#实现字符识别，处理pin距离 4个巴斯勒相机相机SDK开发 设置相机的触发模式，采集模式，曝光增益 宇符模
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
