网站排名优化效果,wordpress id重置密码,做一个网站成本是多少,网站发展方向首先在这里使用的是是paddle--detection2.7的版本。 成功进行训练
目录#xff1a;
目录 数据集准备
配置文件的修改 使用的是BML的平台工具#xff1a;
!python -m pip install paddlepaddle-gpu2.5 -i https://mirror.baidu.com/pypi/simple --user
%cd /home/aistudio…首先在这里使用的是是paddle--detection2.7的版本。 成功进行训练
目录
目录 数据集准备
配置文件的修改 使用的是BML的平台工具
!python -m pip install paddlepaddle-gpu2.5 -i https://mirror.baidu.com/pypi/simple --user
%cd /home/aistudio/
# !wget https://codeload.github.com/PaddlePaddle/PaddleDetection/zip/refs/heads/release/2.7
#因为github需要登录所以下载不成功因此这里直接上传了2.7的版本
# !unzip /home/aistudio/PaddleDetection-release-2.7.zip
%cd /home/aistudio/PaddleDetection-release-2.7/
!pip install -r requirements.txt
!python setup.py install
#用来测试是否安装成功,另外补充安装一个numba
!pip install numba0.56.4
# !python ppdet/modeling/tests/test_architectures.py
要求的paddle版本必须是大于2.3.2的。注意版本问题就是了配置环境的时候其他的大问题没什么。
下面这段代码可以用来确认是否安装成功指定版本
import paddle
paddle.utils.run_check()
# 确认PaddlePaddle版本
!python -c import paddle; print(paddle.__version__)
如果成功则会打印如下信息 PaddlePaddle works well on 1 GPU. PaddlePaddle is installed successfully! Lets start deep learning with PaddlePaddle now.
2.5.0然后就是准备数据集了在这里我使用的是开源的MOT17数据集这个数据集只有训练集没有测试集下载和解压命令如下
!wget https://bj.bcebos.com/v1/paddledet/data/mot/MOT17.zip
!unzip /home/aistudio/data/MOT17.zip -d /home/aistudio/PaddleDetection-release-2.7/dataset/mot/ 数据集准备
提到数据集在这里延伸的扩展一哈paddledetection里面对于数据集的要求(仅限多目标跟踪)有如下几种格式
1、自定义数据集
2、一类纯检测框标注的数据集仅SDE系列ByteTrack可以使用
3、另一类是同时有检测和ReID标注的数据集SDE系列DeepSORT和JDE系列都可以使用
因此下面的数据集准备会分成两种来讲
****************
ReID标注是一种目标跟踪的标注方法它基于深度学习技术进行目标跟踪。在ReID标注中需要对视频序列中的目标进行标记和追踪以便在多个摄像头监控的画面中实现目标跟踪。这种标注方法有助于提高目标跟踪的准确性和稳定性。
***************
其中自定义数据集参考PaddleDetection/docs/tutorials/data/PrepareDetDataSet.md at release/2.7 · PaddlePaddle/PaddleDetection (github.com)
首先SDE数据集是纯检测标注的数据集可以按照自定义数据集准备成VOC或者是COCO数据集
这里以这个MOT17的数据集来作为例子进行举例 数据集下载解压以后有三个文件夹
第一个是annotations是
里面包含的信息有如下内容图片路径注意这里的图片路径是用的是在后面我们会提到的dataset_dir的基础上添加的路径 可以看到上面的train有两种第一种half的意思是在MOT17/images/half中它可能指的是存储在图像中的目标物体的标注信息例如边界框信息、分割信息、类别信息等这些信息以半精度浮点数的形式进行存储和计算可以提高模型的计算效率和准确性。
第二个是images文件夹 每个子目录下都是一段视频的抽帧图片及标注。 det
训练集中/det 文件夹中是针对检测的信息该目录下只有一个det.txt文件每行一个标注代表一个检测的物体。 参数说明每一行标注的含义如下第一个代表第几帧第二个代表轨迹编号因为检测结果只看检测框质量不看id故为id-1。bb开头的4个数代表物体框的左上角坐标及长宽。conf代表置信度。 gt
训练集中/gt 文件夹中是针对追踪的信息该目录下只有一个gt.txt文件相当于half里面的一个gt_all.txt文件而half里面的gt.txt只有一半的帧长每行一个标注代表一个检测的物体。
每一行标注的含义如下第一个代表第几帧第二个值为目标运动轨迹的ID号bb开头的4个数代表物体框的左上角坐标及长宽第7个值为目标轨迹是否进入考虑范围内的标志0表示忽略1表示active。第八个值为该轨迹对应的目标种类种类见下面的表格中的label-ID对应情况第九个值为box的visibility ratio表示目标运动时被其他目标box包含/覆盖或者目标之间box边缘裁剪情况。
img1里面存放的就是图片了
然后就是seqinfo.ini文件 介绍视频的帧率、分辨率等基本信息分割片段名图片路径该子集的帧率每秒30帧表示该子集的长度600帧以帧数为单位图片的宽度高度后缀名
最后就是labels_with_ids是指 在标注文本中每行都描述一个边界框格式如下 [class] [identity] [x_center] [y_center] [width] [height] class为类别id支持单类别和多类别从0开始计单类别即为0。identity是从1到num_identities的整数(num_identities是数据集中所有视频或图片序列的不同物体实例的总数)如果此框没有identity标注则为-1。[x_center] [y_center] [width] [height]是中心点坐标和宽高注意他们的值是由图片的宽度/高度标准化的因此它们是从0到1的浮点数。 配置文件的修改
在2.7版本这里用ByteTrack来训练MOT17的数据集举例
主要的配置文件是这个ppyoloe_crn_l_36e_640x640_mot17half.yml在 configs/mot/bytetrack/detector/下面
