Ocean、TracKit源码地址：GitHub - researchmm/TracKit: [ECCV'20] Ocean: Object-aware Anchor-Free Tracking

TracKit-Ocean：目标跟踪网络（二） -- 运行问题及解决逻辑设计__天涯__的博客-CSDN博客

环境部署

安装教程：TracKit/ocean.md at master · researchmm/TracKit · GitHub

cd $TracKit/lib/tutorial
bash install.sh $conda_path TracKit
cd $TracKit
conda activate TracKit
python setup.py developpip install xxxx # 单独安装不成功的包，注意解决版本冲突问题# install_trt.md # 安装tensorRT

下载公共测试数据集和预训练的模型

测试效果，默认VOT2019数据集

python tracking/test_ocean.py --arch Ocean --resume snapshot/OceanV.pth --dataset VOT2019

想测试别的数据集需要注意模型和数据集的对应关系

OceanO.pth: offline model for OTB
OceanV.pth: offline model for VOT
OceanG.pth: offline model for GOT10K
OceanL.pth: offline model for LASOT
OceanNoOA.pth: offline model without object-aware branch
OceanOon.pth: online model for OTB
OceanVxxon.pth: online model for VOT

测试

想法：在视频中标出第一帧的物体框，自动获取坐标输入程序中，然后追踪物体。

使用cv2.selectROI()函数。

# -*- coding: utf-8 -*-
import cv2
import sysvideo = cv2.VideoCapture('30.mp4') # 读取视频if not video.isOpened(): # 打开错误时退出print("Could not open video")sys.exit()print("start tracking......")
ok, frame = video.read() # 读取视频的第一帧
if not ok:print('Cannot read video file')sys.exit()print("initialize bbox......")
bbox = (0,0,1792,1231) # 左上角 # 定义初始边界框
print('bbox init :', bbox)bbox = cv2.selectROI(frame, False) # 手动选择不同的边界框 按空格或回车确认
print('bbox resize :', bbox) # (142, 51, 934, 490)

返回的是一个元组(min_x,min_y,w,h)，第一个值为矩形框中最小的x值，第二个值为矩形框中最小的y值，第三个值为这个矩形框的宽，第四个值为这个矩形框的高。

修改test_ocean.py文件

# 不再从文件读，改为每次手动取框# 改过的 videolines = open(args.video_list, 'r').readlines() # 读取出文件的每一行save_root = os.path.dirname(args.video_list) # 路径result_path = os.path.join(save_root, 'result.json') # 结果result_dict = dict()for index, line in enumerate(lines):print('video: {}/{}'.format(index, len(lines))) # 从文件中读取本地视频文件路径video_path = lineprint('video_path :', video_path)video = cv2.VideoCapture(video_path) # 读取视频if not video.isOpened():print("Could not open video")sys.exit() # 打开错误时退出print("start tracking......")ok, frame = video.read() # 读取视频的一帧 使用其他帧可以加个 for循环读取帧 和 判断某帧是否选了框if not ok:print('Cannot read video file')sys.exit() # 不能读取就退出bbox = cv2.selectROI(frame, False) # 鼠标选择 空格确认print('bbox :', bbox) # (min_x, min_y, w, h)x1 = bbox[0]y1 = bbox[1]x2 = x1 + bbox[2]y2 = y1 + bbox[3]print('坐标 :', x1, y1, x2, y2, type(x1), type(x2))# array = line.strip().split('|') # 从文件中读取本地视频文件路径# video_path = array[0] # 从文件中读取本地视频文件路径# x1, y1, x2, y2 = [int(float(_)) for _ in array[2:6]] # 从文件中解析参数，解析出开始帧的物体框# args.start_index = int(array[6])single_track(siam_tracker, online_tracker, siam_net, video_path, [x1, y1, x2, y2], result_dict, save_root, args) # 调用追踪# video_path 本地视频文件路径   [x1, y1, x2, y2] 开始帧的物体框坐标with open(result_path, 'w') as f:json.dump(result_dict, f)print('all finished')# 改过的 video

针对keyerror报错，修改：

if 'cls_score' in state: # 避免keyerrorprint('ok')regions.append(location + [float(state['cls_score'])])
else:print('cls_score not exist')regions.append(location + [0.5])

安装ffmpeg。

sudo apt-get install ffmpeg

运行过后，生成一个手动标注的图片，和追踪标注后的视频。

TracKit-Ocean：目标跟踪网络（一） -- 环境部署及测试相关推荐

Linux下smokeping网络监控环境部署记录
smokeping是一款监控网络状态和稳定性的开源软件(它是rrdtool的作者开发的),通过它可以监控到公司IDC的网络状况,如延时,丢包率,是否BGP多线等: smokeping会向目标设备和系统 ...
OpenCV 4.5发布！更强的SIFT，OCR，RANSAC算法，新增目标跟踪网络SiamRPN++
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 OpenCV 4.5版本发布了! 详情:https://github.com/opencv/openc ...
超实时性单目标跟踪网络——Siamese RPN(CVPR2018 spotlight论文)
今年sensetime在CVPR上的表现力压国内其他科研机构,直逼谷歌.以44篇论文(3oral,11spotlight,28poster)在国内一骑绝尘.其中有一篇北航大四学生李博为一作的论文Sia ...
WHQL认证环境部署以及测试攻略二之HLK或者HCK软件的安装
WHQL认证目前所使用的测试软件有WLK1.6,HCK2.1,HLK. WLK1.6主要是针对Windows Server 2003,已经不是主流测试了,基本属于弃用状态. HCK2.1主要是针对Wi ...
【CV】SiamFC：用于目标跟踪的全卷积孪生网络
论文名称:Fully-Convolutional Siamese Networks for Object Tracking 论文下载:https://arxiv.org/abs/1605.07648 ...
视频目标跟踪从0到1，概念与方法
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达导读从目标跟踪的应用场景,底层模型,组件,类型和具体算法几个方面 ...
windows驱动数字签名之WHQL完整流程 | WHQL认证环境部署以及HLK测试
文章目录第一部分:windows驱动数字签名之WHQL完整流程一.驱动数字签名背景二.驱动程序数字签名解决方案-WHQL认证 1. 对开发者的影响 2. WHQL认证主要作用三.申请WHQL认 ...
目标跟踪 ATOM（ATOM: Accurate Tracking by Overlap Maximization）
文章标题:<ATOM: Accurate Tracking by Overlap Maximization> 文章地址:https://arxiv.org/pdf/1811.07628.p ...
Ceph Jewel 10.2.3 环境部署
本文转自:https://www.cnblogs.com/icloud/p/6115447.html Ceph Jewel 10.2.3 环境部署 Ceph 测试环境部署本文档内容概要测试环境ce ...
目标跟踪的训练流程记录
大部门目标跟踪领域的文章的训练测试流程都是一样的.在此简要记录一下. ByteTrackor 对于消融实验,使用MOT17中每个视频的前半部分用于训练,后半部分用于验证. 训练在CrowdHuman和 ...

TracKit-Ocean：目标跟踪网络（一） -- 环境部署及测试

环境部署

相关论文

测试

TracKit-Ocean：目标跟踪网络（一） -- 环境部署及测试相关推荐

最新文章

热门文章