首先,我是根据'https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch'练习的。
问题 1
创建的txt文件是不是同时应用了yolo算法和deepsort算法的文件?
问题2
我训练了检测器 yolo 将其应用于自定义数据。deepsort 之后还需要训练自定义数据吗?
首先,我是根据'https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch'练习的。
问题 1
创建的txt文件是不是同时应用了yolo算法和deepsort算法的文件?
问题2
我训练了检测器 yolo 将其应用于自定义数据。deepsort 之后还需要训练自定义数据吗?
问题 1 - txt 文件将检测到类并提及它们的坐标,是的 deepsort 和 yolo 都应用于两者
问题 2 - 不,您不需要单独训练 yolo 和 deepsort,只需一步即可完成
据我所知,YOLOv5 模型执行对象检测,而 Deepsort 模型通过查看特征图将轨迹与检测相关联。它们是非常不同的模型,因此必须单独训练。我还不能为我的自定义数据训练深度排序跟踪器。当我能够完成培训时,我会更新这个答案。
问题 1
Yolov5 执行对象检测。生成的边界框被传递给跟踪对象的深度排序。跟踪是由基于两件事的关联完成的:
结合起来,这两个指标通过服务分配问题的不同方面相互补充。当运动不确定性较低时,马氏距离是合适的,但是当存在遮挡和/或未考虑的跳帧时,马氏距离是无用的。因此,这个想法是使用视觉度量来补充运动度量。为了做到这一点,为每个边界框检测计算外观描述符,并将其与外观描述符的“库”进行比较,这对于在长期遮挡或快速位移后恢复身份特别有用。
所以,是的。Yolo 和 DeepSort 都用于生成 txt 文件。
问题2。
在原始的Deep Sort 论文中指出,外观描述符是由在 MARS 上训练的 CNN 生成的。Deep Sort 的一些实现也为此目的使用 Market1501 数据集。它们都只包含人。他们选择这些数据集是因为他们专注于仅包含人员的 MOT 挑战数据集。
因此,理想情况下,您将在要跟踪的类上训练自己的外观描述符。