在自己的数据集上基于Yolov5 + DeepSORT实现目标检测与跟踪_检测算法和deepsort怎么结合

第一部分：代码准备

在以下GitHub库中获取Yolov5+DeepSORT的代码：

https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch

第二部分：基于 Yolov5 实现目标检测

1.基于Yolov5在自己的数据集上训练目标检测权重

可以参考下面一篇博文，详细描述了如何基于Yolov5训练自己的目标检测权重

http://t.csdn.cn/pllM3http://t.csdn.cn/pllM3

 第三部分：基于 Yolov5 + DeepSORT 实现目标检测与跟踪

1.数据集制作

DeepSORT目标跟踪的数据集与前面Yolov5目标检测有所不同。这里需要借助labelimg工具手动做出标定生成xml文件，然后撰写脚本利用xml文件将原图像里的目标抠出来：

不同的目标分别存储为001、002，注意，这里与目标类别不同，例如下面三只狗就分别作为三个目标，虽然他们的类别一致都是dog；

以此类推进行分类，后按照一定比例划分为训练集与测试集，并移到deep_sort/deep目录下：

2.模型训练

在deep_sort/deep目录中找到train.py文件，首先先修改数据集路径，这里建议填写绝对路径。

 然后修改train.py中的训练dataset：

transform_train = torchvision.transforms.Compose([
    torchvision.transforms.Resize((128, 64)),
    torchvision.transforms.RandomCrop((128, 64), padding=4),
    torchvision.transforms.RandomHorizontalFlip(),
    torchvision.transforms.ToTensor(),
    torchvision.transforms.Normalize(
        [0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

 这里可以修改权重保存的位置以及命名，以免发生覆盖。

 文件末尾找到这里可以修改训练轮次：

 在deep_sort/deep目录下找到model.py文件，修改num_classes类别数：

 

 下面就可以开始训练啦。训练结束会在deep_sort/deep/checkpoint目录下生成.t7权重。

 

3.模型测试 

找到deep_sort.yaml文件，

 在这里设置自己训练的deepsort权重的路径，并可以根据需要修改其他参数：

 在objdetector.py文件里设置自己训练的目标检测权重路径：

 也可以在track.py文件进行测试，直接在这里设定目标检测、目标跟踪权重的路径，并设置测试的视频路径。

可以测试了~