一种DeepSort + Volov5算法的数据生成方法

Question

首先，我基于'https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch'‘进行练习。

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

我训练检测器yolo将其应用于自定义数据。深度排序之后还需要训练自定义数据吗？

Answer 1

据我所知，YOLOv5模型执行对象检测，深度排序模型通过查看特征映射将轨迹与检测关联。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。当我能够完成训练时，我会更新这个答案。

Answer 2

问题1

Yolov5执行对象检测。生成的边界框被传递给Deep Sort，它跟踪对象。跟踪是由基于两件事的关联完成的：

预测的卡尔曼状态和新到达的measurements

• Appearance描述符

1. 之间的马氏距离

在组合中，这两个指标通过服务于分配问题的不同方面而相互补充。当运动不确定性较低时，马氏距离是合适的，但当存在遮挡和/或未考虑的帧时，跳过马氏距离是相当无用的。因此，我们的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库进行比较，这对于在长期遮挡或快速移位之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.

在最初的Deep Sort paper中，声明了外观描述符是由在火星上训练的CNN生成的。深度排序的Some implementations也将Market1501数据集用于此目的。它们都只包含人。他们之所以选择这些数据集，是因为它们关注的是只包含人员的MOT挑战数据集。

因此，理想情况下，您应该在要跟踪的类上训练自己的外观描述符。

Answer 3

-1\f25-1\f6问题-1\f25 txt -1\f6文件将检测到类，并提到它们的坐标，同时在两个文件上应用-1\f25 deepsort 1\f6和-1\f25 yolo -1\f6

问题-2-不，你不需要单独训练yolo和deepsort，这将在一个步骤中完成