Stage-2024/yolov7-tracker-example/README_CN.md

YOLO检测器与SOTA多目标跟踪工具箱

❗❗重要提示

与之前的版本相比，这是一个全新的版本（分支v2）！！！

请直接使用这个版本，因为我几乎重写了所有代码，以确保更好的可读性和改进的结果，并修正了以往代码中的一些错误。

git clone https://github.com/JackWoo0831/Yolov7-tracker.git
git checkout v2  # change to v2 branch !!

🙌 如果您有任何关于添加跟踪器的建议，请在Issues部分留言并附上论文标题或链接！欢迎大家一起来让这个repo变得更好

❤️ 介绍

这个仓库是一个实现了检测后跟踪范式多目标跟踪器的工具箱。检测器支持：

• YOLOX
• YOLO v7
• YOLO v8,

跟踪器支持:

• SORT
• DeepSORT
• ByteTrack (ECCV2022)
• Bot-SORT (arxiv2206)
• OCSORT (CVPR2023)
• C_BIoU Track (arxiv2211)
• Strong SORT (IEEE TMM 2023)
• Sparse Track (arxiv 2306)

REID模型支持：

• OSNet
• DeepSORT中的

亮点包括:

• 支持的跟踪器比MMTracking多
• 用统一的代码风格重写了多个跟踪器，无需为每个跟踪器配置多个环境
• 模块化设计，将检测器、跟踪器、外观提取模块和卡尔曼滤波器解耦，便于进行实验

🗺️ 路线图

• [ x ] Add StrongSort and SparseTrack
• [ x ] Add save video function
• [ x ] Add timer function to calculate fps
• [] Add more ReID modules.mer function to calculate fps

🔨 安装

基本环境是：

• Ubuntu 18.04
• Python：3.9, Pytorch: 1.12

运行以下命令安装其他包：

pip3 install -r requirements.txt

🔍 检测器安装

1. YOLOX:

YOLOX的版本是0.1.0（与ByteTrack相同）。要安装它，你可以在某处克隆ByteTrack仓库，然后运行：

https://github.com/ifzhang/ByteTrack.git

python3 setup.py develop

2. YOLO v7:

由于仓库本身就是基于YOLOv7的，因此无需执行额外的步骤。

3. YOLO v8:

请运行：

pip3 install ultralytics==8.0.94

📑 数据准备

如果你不想在特定数据集上测试，而只想运行演示，请跳过这一部分。

无论你想测试哪个数据集，请按以下方式（YOLO风格）组织：

dataset_name
     |---images
           |---train
                 |---sequence_name1
                             |---000001.jpg
                             |---000002.jpg ...
           |---val ...
           |---test ...

     |

你可以参考./tools中的代码来了解如何组织数据集。

然后，你需要准备一个yaml文件来指明路径，以便代码能够找到图像

一些示例在tracker/config_files中。重要的键包括：

DATASET_ROOT: '/data/xxxx/datasets/MOT17'  # your dataset root
SPLIT: test  # train, test or val
CATEGORY_NAMES:  # same in YOLO training
  - 'pedestrian'

CATEGORY_DICT:
  0: 'pedestrian'

🚗 实践

🏃 训练

跟踪器通常不需要训练参数。请参考不同检测器的训练方法来训练YOLOs。

以下参考资料可能对你有帮助：

• YOLOX: tracker/yolox_utils/train_yolox.py

• YOLO v7:

python train_aux.py --dataset visdrone --workers 8 --device <$GPU_id$> --batch-size 16 --data data/visdrone_all.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights <$YOLO v7 pretrained model path$> --name yolov7-w6-custom --hyp data/hyp.scratch.custom.yaml

• YOLO v8: tracker/yolov8_utils/train_yolov8.py

😊 跟踪！

如果你只是想运行一个demo:

python tracker/track_demo.py --obj ${video path or images folder path} --detector ${yolox, yolov8 or yolov7} --tracker ${tracker name} --kalman_format ${kalman format, sort, byte, ...} --detector_model_path ${detector weight path} --save_images

例如:

python tracker/track_demo.py --obj M0203.mp4 --detector yolov8 --tracker deepsort --kalman_format byte --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt --save_images

如果你想在数据集上测试:

python tracker/track.py --dataset ${dataset name, related with the yaml file} --detector ${yolox, yolov8 or yolov7} --tracker ${tracker name} --kalman_format ${kalman format, sort, byte, ...} --detector_model_path ${detector weight path}

例如:

• SORT: python tracker/track.py --dataset uavdt --detector yolov8 --tracker sort --kalman_format sort --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

• DeepSORT: python tracker/track.py --dataset uavdt --detector yolov7 --tracker deepsort --kalman_format byte --detector_model_path weights/yolov7_UAVDT_35epochs_20230507.pt

• ByteTrack: python tracker/track.py --dataset uavdt --detector yolov8 --tracker bytetrack --kalman_format byte --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

• OCSort: python tracker/track.py --dataset uavdt --detector yolov8 --tracker ocsort --kalman_format ocsort --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

• C-BIoU Track: python tracker/track.py --dataset uavdt --detector yolov8 --tracker c_bioutrack --kalman_format bot --detector_model_path weights/yolov8l_UAVDT_60epochs_20230509.pt

• BoT-SORT: python tracker/track.py --dataset uavdt --detector yolox --tracker botsort --kalman_format bot --detector_model_path weights/yolox_m_uavdt_50epochs.pth.tar

✅ 评估

马上推出！作为备选项，你可以使用这个repo： Easier to use TrackEval repo.