深度学习和目标检测系列教程 21-300：deepsorts测试小车经过的时间和速度
@Author：Runsen
deepDeepSort
DeepSort是一种用于跟踪目标的模型，为每个目标分配 ID，为每一个不同的类别分配label。
在DeepSort 中，过程如下。
- 使用YOLO 计算边界框（检测）
- 使用Sort（卡尔曼滤波器）和ReID（识别模型）链接边界框和轨迹
- 如果无法建立活动链接，则会分配一个新 ID 并将其新添加到track。
deepDeepSort所谓的“检测”是每一帧中的目标列表，“轨迹”是当前被跟踪的列表。
deepsorts项目地址：https://github.com/mikelbrostrom/Yolov5_DeepSort_Pytorch
deepsorts测试小车经过的时间和速度
本次项目代码
参考项目：https://github.com/dyh/unbox_yolov5_deepsort_counting。
该项目封装了deepsorts和yolov5文件，非常易于其他需求的开发，个人在
该项目上进行二次开发。
项目实现目标要求：通过deepsorts测试图中的小车到拐弯是否存在超速的行为。
个人通过Image_Pixel小软件对图片进行标点和标线。一共划分了六条线和六个区域块。
项目的主要结构
由于yolov5模型存在一定的检测异常，因此需要在设置线时，最好设置成小矩形。最后的矩形判断的速度设置为4，也大约是15km/h。
下面是部分具体的测试结果，保存image 和 是否超速的结果写到rabbitmq中。
Fusing layers...
进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (148, 245) | : time: 9.04
进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (148, 246) | : time: 9.08
进入第一块矩形类别: car | id: 3 | : 碰撞点的坐标 (148, 247) | : time: 9.12
进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (149, 246) | : time: 9.16
进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (149, 246) | : time: 9.2
进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (150, 247) | : time: 9.24
进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (151, 247) | : time: 9.28
进入第二块矩形类别: truck | id: 3 | : 碰撞点的坐标 (161, 258) | : time: 9.96
第一块花费的时间： 0.6800000000000015
进入第二块矩形类别: truck | id: 3 | : 碰撞点的坐标 (162, 258) | : time: 10.0
第一块花费的时间： 0.7200000000000006
进入第二块矩形类别: car | id: 3 | : 碰撞点的坐标 (163, 259) | : time: 10.04
第一块花费的时间： 0.7599999999999998
进入第二块矩形类别: truck | id: 3 | : 碰撞点的坐标 (163, 259) | : time: 10.08
第一块花费的时间： 0.8000000000000007
进入第二块矩形类别: car | id: 3 | : 碰撞点的坐标 (163, 260) | : time: 10.12
第一块花费的时间： 0.8399999999999999
进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (179, 273) | : time: 10.96
第二块花费的时间： 0.8400000000000016
进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (180, 273) | : time: 11.0
第二块花费的时间： 0.8800000000000008
进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (180, 273) | : time: 11.04
第二块花费的时间： 0.9199999999999999
进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (181, 275) | : time: 11.08
第二块花费的时间： 0.9600000000000009
进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (182, 275) | : time: 11.12
第二块花费的时间： 1.0
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (208, 299) | : time: 12.36
第四块花费的时间： 1.0
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (235, 325) | : time: 13.48
第五块花费的时间： 1.2400000000000002
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (235, 326) | : time: 13.52
第五块花费的时间： 1.2400000000000002
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (237, 327) | : time: 13.56
第五块花费的时间： 1.2400000000000002
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (238, 328) | : time: 13.6
第五块花费的时间： 1.2400000000000002
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (238, 329) | : time: 13.64
第五块花费的时间： 1.2400000000000002
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (240, 329) | : time: 13.72
第五块花费的时间： 1.2400000000000002
进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (241, 329) | : time: 13.76
第五块花费的时间： 1.2400000000000002
离开的时间:: truck | id: 3 | : 碰撞点的坐标 (275, 364) | : time: 16.12
11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.237288135593218
True
离开的时间:: truck | id: 3 | : 碰撞点的坐标 (276, 364) | : time: 16.16
11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.166666666666666
True
离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 364) | : time: 16.2
11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.0983606557377055
True
离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 365) | : time: 16.24
11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.032258064516132
True
离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 365) | : time: 16.28
11.904761904761907 10.0 8.064516129032256 7.1428571428571415 3.968253968253966
False
离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 365) | : time: 16.4
11.904761904761907 10.0 8.064516129032256 7.1428571428571415 3.7878787878787894
False
离开的时间:: truck | id: 3 | : 碰撞点的坐标 (278, 365) | : time: 16.44
速度：11.904761904761907 10.0 8.064516129032256 7.1428571428571415 3.7313432835820874
False
附上GIthub：https://github.com/MaoliRUNsen/deepsort-yolov5-car
深度学习和目标检测系列教程 21-300：deepsorts测试小车经过的时间和速度相关推荐
- 深度学习和目标检测系列教程 1-300：什么是对象检测和常见的8 种基础目标检测算法
@Author:Runsen 由于毕业入了CV的坑,在内卷的条件下,我只好把别人卷走. 对象检测 对象检测是一种计算机视觉技术,用于定位图像或视频中的对象实例.对象检测算法通常利用机器学习或深度学习来 ...
- 深度学习和目标检测系列教程 2-300：小试牛刀，使用 ImageAI 进行对象检测
@Author:Runsen 对象检测是一种属于更广泛的计算机视觉领域的技术.它处理识别和跟踪图像和视频中存在的对象.目标检测有多种应用,如人脸检测.车辆检测.行人计数.自动驾驶汽车.安全系统等.Im ...
- 深度学习和目标检测系列教程 5-300：早期的目标检测RCNN架构
@Author:Runsen 最早期的目标检测基于RCNN的算法,下面介绍RCNN的架构 RCNN架构 R-CNN 的目标是获取图像,并正确识别图片中的主要对象(通过边界框)的位置. 输入:图像: 输 ...
- 深度学习和目标检测系列教程 3-300：了解常见的目标检测的开源数据集
@Author:Runsen 计算机视觉中具有挑战性的主题之一,对象检测,可帮助组织借助数字图片作为输入来理解和识别实时对象.大量的论文基于常见的目标检测的开源数据集而来,因此需要了解常见的目标检测的 ...
- 深度学习和目标检测系列教程 22-300：关于人体姿态常见的估计方法
@Author:Runsen 姿态估计是计算机视觉中的一项流行任务,比如真实的场景如何进行人体跌倒检测,如何对手语进行交流. 作为人工智能(AI)的一个领域,计算机视觉使机器能够以模仿人类视觉为目的来 ...
- 深度学习和目标检测系列教程 7-300：先进的目标检测Faster R-CNN架构
@Author:Runsen Faster R-CNN 由于Fast R-CNN 过程中仍然存在一个瓶颈,即ROI Projection.众所周知,检测对象的第一步是在对象周围生成一组潜在的边界框.在 ...
- 深度学习和目标检测系列教程 15-300：在 Python 中使用 OpenCV 执行 YOLOv3 对象检测
@Author:Runsen 上次讲了yolov3,这是使用yolov3的模型通过opencv的摄像头来执行YOLOv3 对象检测. 导入所需模块: import cv2 import numpy a ...
- 深度学习和目标检测系列教程 12-300：常见的opencv的APi和用法总结
@Author:Runsen 由于CV需要熟练使用opencv,因此总结了opencv常见的APi和用法. OpenCV(opensourcecomputervision)于1999年正式推出,它来自 ...
- 深度学习和目标检测系列教程 9-300：TorchVision和Albumentation性能对比，如何使用Albumentation对图片数据做数据增强
@Author:Runsen 上次对xml文件进行提取,使用到一个Albumentation模块.Albumentation模块是一个数据增强的工具,目标检测图像预处理通过使用"albume ...
最新文章
- Mac的访达中，如何只搜索当前文件夹的内容？
- 最新版ffmpeg 提取视频关键帧
- JQuery中html、append、appendTo、after、insertAfter系列方法
- 微信小游戏开发Canvas资源汇总
- 面试必谈的哈希，.Net 程序员温故而知新
- linux安装之后缺少命令,Centos 7 最小安装后关键命令找不到 ifconfig等
- 操作系统形成性考核册作业答案
- Language binding（语言绑定）
- mysql 小技巧
- 一次小黄车的二维码还原过程
- 多媒体信息技术对远程教育的影响
- eclipse java环境配置_Eclipse怎么配置运行环境？
- PHP 下载文件的方法(指定路径)
- Could not build wheels for xx which use PEP 517 and cannot be installed directly
- 解散群通知怎么写_家人微信群想解散通知怎么写
- Nonce Used1
- 【Java / Kotlin】Warning：Leaking ‘this‘ in constructor of non-final class
- 51cto学院微信支付实战对接开发视频教程
- parquet和orc 一次说清了
- ESP8266 CH420