yolov5
deepsort
fastreid
前言
基于YOLOv5和DeepSort的目标跟踪 介绍过针对行人的检测与跟踪。本文介绍另一个项目，结合 FastReid 来实现行人的检测、跟踪和重识别。项目地址: /zengwb-lx/Yolov5-Deepsort-Fastreid，作者给出的2个主要实例，也是非常的实用，包括行人流量的统计、人群中特定目标的查找与跟踪。
项目复现
首先，创建个全新的虚拟环境
condacreate-npytorch1.6python=3.7condaactivatepytorch1.6
接着去拉取源码
gitclone/zengwb-lx/Yolov5-Deepsort-Fastreid.gitcdYolov5-Deepsort-Fastreid
然后安装下其它的依赖包
#如果没有gpu的话，就按照requirements.txt安装即可pipinstalltorch==1.6.0+cu101torchvision==0.7.0+cu101-f/whl/torch_stable.html#编辑requirements.txt，注释掉torch和torchvisionpipinstall-rrequirements.txt#使用cython加速pipinstallcythoncdfast_reid/fastreid/evaluation/rank_cylibmakeallcd../../../../
先来跑个行人计数的demo
pythonperson_count.py
yolov5 deepsort fastreid
yolov5的作者分别在googleapi和github上都保存了模型文件，但是这2个yolov5s.pt是不一样的，大家可以通过md5sum去查看一下，github上的模型文件是对的
如果你在运行过程中出现下面的错误
-07-1314:22:20[INFO]:Loadingweightsfrom./deep_sort/deep/checkpoint/ckpt.t7...Done!Traceback(mostrecentcalllast):File"person_count.py",line244,in<module>yolo_reid.deep_sort()File"person_count.py",line121,indeep_sortbbox_xywh,cls_conf,cls_ids,xy=self.person_detect.detect(video_path,img,ori_img,vid_cap)File"/home/xugaoxiang/Works/Yolov5-Deepsort-Fastreid/person_detect_yolov5.py",line95,indetectpred=self.model(img,augment=self.augment)[0]File"/home/xugaoxiang/anaconda3/envs/pytorch1.6/lib/python3.7/site-packages/torch/nn/modules/module.py",line722,in_call_implresult=self.forward(*input,**kwargs)File"/home/xugaoxiang/Works/Yolov5-Deepsort-Fastreid/models/yolo.py",line111,inforwardreturnself.forward_once(x,profile)#single-scaleinference,trainFile"/home/xugaoxiang/Works/Yolov5-Deepsort-Fastreid/models/yolo.py",line131,inforward_oncex=m(x)#runFile"/home/xugaoxiang/anaconda3/envs/pytorch1.6/lib/python3.7/site-packages/torch/nn/modules/module.py",line722,in_call_implresult=self.forward(*input,**kwargs)File"/home/xugaoxiang/Works/Yolov5-Deepsort-Fastreid/models/yolo.py",line36,inforwardself.training|=self.exportFile"/home/xugaoxiang/anaconda3/envs/pytorch1.6/lib/python3.7/site-packages/torch/nn/modules/module.py",line772,in__getattr__type(self).__name__,name))torch.nn.modules.module.ModuleAttributeError:'Detect'objecthasnoattribute'export'
这个就是模型的问题，建议使用源码中自带的shell脚本进行下载
shweights/download_weights.sh
我们来看看这个行人流量统计的基本原理：
首先，作者将yolov5的目标检测封装成了一个类Person_detect，通过它的detect方法可以检测到视频中的每一个行人目标
然后，在画面中设定一条基准线，给定线条两端的坐标即可
line=[(0,int(0.48*ori_img.shape[0])),(int(ori_img.shape[1]),int(0.48*ori_img.shape[0]))]cv2.line(ori_img,line[0],line[1],(0,255,255),4)
接着，创建跟踪器，开始对yolov5检测出的每一个目标进行跟踪。这里以目标预测框的中心点为基准，下图是它的计算方法
yolov5 deepsort fastreid
如果前后帧的中心点所连成的直线和预先设定的基准线相交，则判定为越线，但是这里还有个方向的问题，向上还是向下？来看另一张图
yolov5 deepsort fastreid
作者利用了三角形的正切与反正切原理，使用math模块中的degrees方法来判断，如果这个角度>0，说明是向上走，反之则为向下走
defvector_angle(midpoint,previous_midpoint):x=midpoint[0]-previous_midpoint[0]y=midpoint[1]-previous_midpoint[1]returnmath.degrees(math.atan2(y,x))
看完行人计数的示例，我们再来看看特定目标的重识别示例
pythonperson_search_reid.py
报错了
Fusinglayers...Traceback(mostrecentcalllast):File"person_search_reid.py",line120,in<module>yolo_reid=yolo_reid(cfg,args,path=args.video_path)File"person_search_reid.py",line35,in__init__self.deepsort=build_tracker(cfg,args.sort,use_cuda=use_cuda)File"/home/xugaoxiang/Works/Yolov5-Deepsort-Fastreid/deep_sort/__init__.py",line18,inbuild_trackermax_age=cfg.DEEPSORT.MAX_AGE,n_init=cfg.DEEPSORT.N_INIT,nn_budget=cfg.DEEPSORT.NN_BUDGET,use_cuda=use_cuda)File"/home/xugaoxiang/Works/Yolov5-Deepsort-Fastreid/deep_sort/deep_reid.py",line29,in__init__self.extractor=Reid_feature()File"./fast_reid/demo/demo.py",line84,in__init__cfg=setup_cfg(args)File"./fast_reid/demo/demo.py",line35,insetup_cfgcfg.merge_from_file(args.config_file)File"./fast_reid/fastreid/config/config.py",line107,inmerge_from_filecfg_filename,allow_unsafe=allow_unsafeFile"./fast_reid/fastreid/config/config.py",line50,inload_yaml_with_basewithPathManager.open(filename,"r")asf:File"./fast_reid/fastreid/utils/file_io.py",line357,inopenpath,mode,buffering=buffering,**kwargsFile"./fast_reid/fastreid/utils/file_io.py",line251,in_openopener=opener,FileNotFoundError:[Errno2]Nosuchfileordirectory:'../../kd-r34-r101_ibn/config-test.yaml'
这是缺少配置文件，到下面的链接去下载
链接: /s/1bMG3qy7npecCh6AzNO-Zyw
提取码:hy1m
把这2个文件都存放在目录kd-r34-r101_ibn下，然后修改源码fast_reid/demo/demo.py中的第45行，将
default='../../kd-r34-r101_ibn/config-test.yaml',
改成
default='kd-r34-r101_ibn/config-test.yaml',
将第68行的
default=['MODEL.WEIGHTS','../../kd-r34-r101_ibn/model_final.pth'],
改成
default=['MODEL.WEIGHTS','kd-r34-r101_ibn/model_final.pth'],
然后再次运行脚本person_search_reid.py，可以得到
yolov5 deepsort fastreid
可以看到，由于事先已经提了2位行人(a1111111111和b222222222222)的特征，所以，画面中能够识别出这2个人并进行跟踪。默认，特征文件保存在fast_reid/query下
特征提取
如果你也想要制作一个特征文件，可以按照下面的步骤进行
首先，需要截取目标人物的图片，存放在某个以特定目标命名的文件夹下，如我这里的，这样，后面进行识别的时候，就显示这个名字了。把这个文件夹拷贝到fast_reid/query目录下，目录结构如下
(pytorch1.6)xugaoxiang@1070Ti:~/Works/Yolov5-Deepsort-Fastreid/fast_reid/query$tree.├──names.npy├──query_features.npy└──├──10.png├──11.png├──12.png├──13.png├──14.png├──15.png├──1.png├──2.png├──3.png├──4.png├──5.png├──6.png├──7.png├──8.png└──9.png
接下来执行
cdfast_reid/demopythonperson_bank.py
执行完毕后，query目录下的query_features.npy和names.npy就被更新了
最后，找个包含目标的视频测试下效果
yolov5 deepsort fastreid
yolov5 deepsort fastreid
工程下载
最后，将包含所需文件全部打包，需要的朋友自行下载
链接：/s/1JiFzo5_H7TKniZZPzjZK7A
提取码：nauu
参考资料
/zengwb-lx/Yolov5-Deepsort-Fastreid
/zengwubbb/article/details/113422048
//06/29/fastreid/
yunanwen
