基于yolo算法的视频目标识别,yolov5算法原理
点击上面的“计算机视觉工作坊”，选择“星星”
干货第一时间发货。
来源：微信官方账号@AI Park
作者莱昂洛克
编译：荣怀阳
导读
这篇文章来自github，一个非常实用的应用。
Git仓库地址：https://github.com/LeonLok/Multi-Camera-Live-Object-Tracking
这个存储库包含我的目标检测和跟踪项目。所有这些都可以托管在云服务器上。
多亏了ImageZMQ，你还可以使用自己的异步IP摄像头。
深度排序和YOLO v4查看我的深度排序库：https://github.com/LeonLok/Deep-SORT-YOLOv4,查看我使用的跟踪算法，包括Tensorflow 2.0、异步视频处理和低置信度跟踪过滤。
交通流量计数是目标计数应用的扩展。
由functional DETRAC数据集生成的244，617幅图像用于训练。你可以在这里找到我创建的转换代码。
我用这篇论文：https://ieeexplore.ieee.org/document/8909903作为数据准备和培训的指南。
每个跟踪id只计算一次。
通过观察被跟踪目标的路径和计数线的交点来计数目标。
所以，那些丢失但用相同ID追踪的，还是会被统计。
使用低置信度滤波的跟踪，来自上面的同一篇论文。
提供较低的假阳性率。
目标跟踪显示平均检测置信度。
的跟踪类别由最常见的检测类别决定。
显示检测结果是可选的(但是平均检测置信度是隐藏的)。
您可以使用多个IP摄像机。
方向计数可以配置为基于角度。
每小时间隔记录计数。
总数
基于类别的计数
记录每个计数目标的交叉细节。
交叉时间
交叉点坐标
交叉角
可以托管在云服务器上。
请注意，由于DETRAC不包含任何摩托车，因此它们是唯一被忽略的车辆。另外，DETRAC数据集只包含
中国
的交通图像，由于缺乏训练数据，很难正确检测到其他国家的部分车辆。比如经常把两厢车误认为SUV，或者因为配色不同而无法识别出租车。目标这个项目原本是一个应用程序，使用我自己的智能手机计算当前多个房间中的人数，服务器是远程托管的。下面显示了人和车的检测、跟踪和计数。
该函数对当前视野中的对象进行计数。
跟踪可选
支持多台IP摄像机
每小时记录一次当前计数。
当前总数
每个当前类别的计数
可以托管在云服务器上。
将我自己的智能手机用作IP摄像头。
训练自己的车辆跟踪模型。我通过使用DETRAC训练带有v3标签的数据集来训练YOLOv4和深度排序模型。我已经提供了一个脚本，可以将DETRAC训练图像和v3标签转换为正确的格式，用于训练YOLOv4模型和深度排序跟踪模型。
深度排序转换参数DETRAC图像转换为Market 1501训练格式。
遮挡阈值-忽略遮挡率过高的车辆序列。
截断阈值-忽略截断率过高的车辆序列。
出现次数-在车辆序列太短(即没有足够的图像)并被丢弃后，考虑遮挡和截断比率。
YOLO转换参数DETRAC图像被转换成Darknet YOLO训练格式。
遮挡阈值-忽略遮挡率过高的车辆序列。
截断阈值-忽略截断率过高的车辆序列。
这两个模型都在DETRAC训练集上进行了训练和评测，但是测试集由于缺少v3记数法没有评测，我也没有MATLAB的评测软件进行深度排序。到目前为止，对我的用例来说已经足够好了。
硬件Nvidia GTX 1070 GPU使用
i7-8700K CPU
为了让大家知道我们的预期，我可以运行两个流计数流，每个流大约为10fps(正如你在流计数gif中看到的)。当然，这很大程度上取决于流分辨率和用于检测和跟踪的帧数。
YOLO v3 vs YOLO v4刚开始做目标计数项目的时候用的是YOLO v3，跟踪帧率大概是10FPS。很难同时运行多个流。使用YOLOv4可以更容易地以更高的分辨率运行两个流，并提供更好的检测准确度。
依赖于Tensorflow-GPU 1.14
Keras 2.3.1
opencv-python 4.2.0
ImageZMQ
数字版本1.18.2
烧瓶1.1.1
枕头
这个项目是在Python 3.6上构建和测试的。
感谢相关投稿人：冬瓜/flash-https://github.com/危机视频流
https://github.com/Ma-Dan/keras-yolo4
https://github.com/nwojke/deep_sort
https://github.com/Qidian213/deep_sort_yolov3
https://github.com/yehengchen/Object-Detection-and-Tracking
—结束—
英语原文：https://github.com/LeonLok/Multi-Camera-Live-Object-Tracking
本文仅供学术分享。如有侵权，请联系删除。
下载1
微信官方账号“计算机视觉工坊”后台回复：
深度学习
，可下载近30本关于深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容的pdf书籍。
下载2
微信官方账号“计算机视觉工坊”后台回复：
计算机视觉
，可下载17本计算机视觉相关的pdf书籍，包括计算机视觉算法、Python视觉实践、Opencv3.0学习等。
下载3
在微信官方账号“计算机视觉工坊”后台回复：
SLAM
，即可下载专属SLAM相关视频课程，包括视觉SLAM和激光SLAM的优秀课程。
重磅！计算机视觉工坊
-学习
交流群
已成立
扫码添加一点助手微信，即可申请加入3D视觉工坊-学术论文写作与投稿微信交流群，目标
交流顶会、顶刊、SCI、EI等写作与投稿事宜。
。
同时
也可以申请加入我们的细分方向交流群。目前主要有ORB-SLAM系列源码学习、
3D视觉
，CV深度学习
，SLAM
，三维重建
，点云后处理
，自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、深度估计、学术交流、
，原创投稿
求职交流等微信群。请按格式备注，否则不能通过。添加成功后，会根据研究方向邀请相关微信群。3D视觉从入门到精通知识星球
也请联系。
长按并添加微信群或投稿
长按关注微信官方账号
知识点汇总、入门进阶学习路线、最新paper分享、疑问解答
:深耕觉得有用，麻烦给个赞和在看~
在3D视觉领域的四个方面，由各大厂的算法工程师提供技术指导。同时，星球将与知名企业联合发布3D视觉相关算法开发岗位及项目对接信息，打造集科技与就业于一体的美丽自行车聚集区。近2000名Planet成员将共同进步，创造更美好的AI世界。知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款。
圈子里有高质量的教程资料，可以答疑解惑，帮你高效解决问题。
010-59000
