基于 YOLOv5-DeepSort 的目标追踪器的封装

由于项目需要目标追踪，之前打算是用 OpenCV 提供的算法进行追踪，但实测下来效果不是很理想，了解到使用 YOLOv5 与 DeepSort 相结合的方式可以进行多物体追踪，在跑通作者提供的 track 示例后，将目标检测和目标追踪分别进行封装，方便以后在项目中使用。

原始 track 介绍

我们阅读 track.py 中代码，从中可以看出来代码包含以下部分

• 参数配置（YOLOv5 和 DeepSort）
• 初始化 DeepSort（DeepSort）
• 加载检测 model（YOLOv5）
• 进行推理，获得相关信息（YOLOv5）
• 进行追踪（DeepSort）
• 结果显示的处理（YOLOv5 和 DeepSort）

按照上述流程我们可以对检测和追踪分别进行封装。

参数配置

主方法中关于parser的所有语句都是加载命令行参数【219-241 行】，我们如果要应用到项目中很少会用到命令行提供参数，所以我们需要写一个能提供参数的方法或类。

detect方法中刚开始就是对 YOLOv5 和 DeepSort 的相关参数进行配置【47-55 行】

初始化 DeepSort

【54-62 行】是获得 DeepSort 的配置文件，并构造 deepsort 对象

加载检测 model

【77-104 行】加载相关的 model

进行推理

对以及打包的原始图像进行处理【91-95 行】（对图片信息打包）【113-118 行】（对图片进行浮点数、归一化处理），然后进行推理，之后进行非极大抑制，对所得的结果进行处理【129-150 行】

进行追踪

调用update方法进行追踪。【154】

注意！追踪更新的返回 结果都是 tensor

最终展示结果处理

对获得的物体的 ID、类别名称（cls）、置信度（confidence）、boundingboxes（xyxy）进行最终处理【157-167】

！

对于保存视频、文件等相关代码本文未讲述到。

如何运行

1. 克隆此项目

   git clone https://github.com/jimyag/YOLOv5-DeepSort.git
   

2. 安装依赖

   在终端执行以下语句安装依赖包

   pip install -r requirements.txt
   

   requirements默认安装 torch-cpu，如需安装 pytorch-gup 请移步至pytorch 下载选择相应版本进行下载

3. 下载权重文件

   1. 下载 DeepSort 权重

      点击下载，并将下载好的权重文件放在deep_sort_pytorch/deep_sort/deep/checkpoint下。

      如果要使用其他权重，需要修改deep_sort_pytorch/configs/deep_sort.yaml中REID_CKPT: "deep_sort_pytorch/deep_sort/deep/checkpoint/ckpt.t7"的配置文件

   2. 下载 YOLOv5 权重

      点击下载，并将下载好的权重文件放在yolov5/weights,并修改my_detect.py中self.yolo_weights = 'yolov5/weights/basketball_robot.pt'

4. 更改源文件

   在my_detect.py中修改self.source = 'basketball.mp4'

5. 运行test.py