DeepSort训练自己的数据集

文章目录

---

前言

最近工作中的任务是实现目标跟踪，并绘制出轨迹。由于之前没有接触过这方面，故本博客记录如何借助开源资料从0开始实现目标跟踪，并应用在自己数据集上。

一、目标跟踪

目标跟踪是计算机视觉中的一项基础任务，它旨在在视频序列中连续跟踪和定位目标。目标跟踪算法需要能够处理各种挑战，如遮挡、目标外观变化、复杂背景等。

DeepSORT 是一种流行的目标跟踪算法，它是 SORT (Simple Online Realtime Tracking) 算法的扩展。DeepSORT 通过添加深度学习特征提取器来减少身份切换，从而提高了跟踪性能。它能够更准确地跟踪目标并减少身份切换，但计算成本也更高。

总之，DeepSORT 是一种用于实现目标跟踪任务的算法。它通过使用深度学习技术来提高跟踪性能，为计算机视觉应用提供了强大的支持。

二、主要步骤

DeepSORT 算法的主要步骤如下：

1. 目标检测：首先，DeepSORT 算法使用目标检测器（例如 YOLO 或 Faster R-CNN）来检测视频帧中的目标。目标检测器会输出一组边界框，表示检测到的目标的位置。

2. 特征提取：接下来，DeepSORT 算法使用深度学习模型来提取每个目标的外观特征。这些特征用于计算目标之间的相似度，从而进行数据关联。

3. 数据关联：然后，DeepSORT 算法使用匈牙利算法进行数据关联。它根据目标的运动和外观特征来计算目标之间的相似度，并将当前帧中的目标与已有轨迹进行匹配。

4. 轨迹更新：最后，DeepSORT 算法根据数据关联的结果更新轨迹。对于匹配成功的目标，它们的轨迹会被延长；对于未匹配的目标，它们会被视为新目标并创建新的轨迹。

本次使用的目标检测器是YOLOv5

三、代码实现

整个项目的实现分为两大类，即目标检测+DeepSort，均使用已有的开源代码，后面会放出开源链接。

---

（1）目标检测：Yolov5

github链接：【wpsshop】